人工免疫C-均值聚类算法

通过借鉴生物免疫系统中的克隆选择原理和记忆机制，提出了一种人工免疫C-均值混合聚类算法．该算法采用了新的克隆选择方法，通过亲和度排序和个体浓度定义了个体的选择概率，从而可确定个体的适应值评价函数，以评价和选择个体．算法还集成了一种C-均值搜索算子，用于加快收敛速度．在聚类数目已知的情况下，所提算法能够得到给定数据集下的全局最优划分，与基于遗传算法的聚类方法比较，它具有更快的收敛速度和更高的收敛精度，并可扩展到性能指标能够表示为优化聚类中心函数的聚类模型之中．仿真结果表明，所提算法是有效性的．     

基于密度的全局K-means算法的改进

针对全局K-means聚类算法和快速全局K-means聚类算法在选择下一簇的聚类中心点时,需要逐一计算数据集中每个点作为备选聚类中心点时的簇内平方误差函数,而数据集中存在很多不可能作为备选点的噪声点.为剔除噪声点,提出了一种基于高密度数的DGK-means算法,并通过UCI数据库中的4组数据集进行实验测试.验证了在聚类效果稳定的前提下,改进的DGK-means算法比全局K-means算法和快速全局K-means算法,聚类用时更短,聚类效率更高.     

分布式环境下全局模糊频繁项目集的快速挖掘

为了解决模糊关联规则挖掘算法需要用户事先给定模糊集和相应隶属度函数的问题,提出基于分布式聚类自动生成模糊集及隶属度函数的算法GFAM.该算法利用分布式K-Means聚类算法对每个数值型属性进行聚类,求得聚类中心,由此构造全局模糊集,定义全局隶属度函数.DFAR算法根据构造的全局模糊集及隶属度函数进行分布式模糊频繁项目集的快速挖掘,采用全局-局部站点模式,其中包括局部模糊频繁项目集产生算法FLF和全局模糊频繁项目集产生算法FGF.实验结果表明,该算法能准确地生成全局模糊频繁项目集,在求解全局模糊频繁项目集过程中,传送局部模糊候选项目集支持数的通信量为O(n),提高了算法的挖掘效率.     

一种基于流形距离的迭代优化聚类算法

针对传统欧氏距离测度描述复杂结构的数据分布会失效的问题,引入能有效反映样本集固有的全局一致性信息的流形距离作为样本间相似度度量测度,并设计了反映类内相似度大、类间相似度小的聚类目标的准则函数,把数据聚类转化成准则函数优化问题,提出了一种迭代优化的聚类算法.通过4个人工数据集的仿真试验结果表明,新方法的参数很少且实现简单,由于实现过程中没有引入随机操作,因此结果比较确定.与标准k均值算法相比,新方法能够自动确定聚类数目,对于样本空间分布复杂的聚类问题具有良好的分类效果.     

谱聚类与混沌免疫相结合的软件缺陷分析算法

针对谱聚类算法中K-means处理无标识软件度量元数据易陷入局部最优的问题, 提出一种新的混沌免疫聚类算法. 该方法在免疫克隆选择算法的框架下, 设计抗体亲和度计算方法用于免疫克隆聚类中心的评价, 并给出分层混沌变异算子, 进一步提高了无标识软件度量元数据的预测性能. 仿真实验验证了算法的有效性.     

基于人工免疫网络的k-平均聚类算法的研究

以人工免疫网络理论结合k-平均算法,尝试了一种聚类分析的新的解决方案.对k-平均算法中每一次迭代求平均值来确定聚类中心的方式进行改进,采用人工免疫网络中克隆选择和变异机制对聚类中心进行操作,选取最优抗体作为下一次迭代的聚类中心,克服了k-平均算法中对孤立点敏感的缺点,从而大大减少了迭代次数.通过对4组标准数据的实验,结果表明,该算法具有很好的自适应性,收敛速度快,提高了聚类性能.     

基于改进克隆选择算法的函数优化问题

根据传统克隆选择算法的不足,提出了一种改进的克隆选择算法.设计了具有自适应能力的改进变异算子,抗体基因位变异概率取决于抗体亲和度;并提出了兼顾亲和度和浓度两种因素的改进选择算子.通过函数优化仿真实验证明了改进算法在收敛速度和寻优结果上均优于传统克隆选择算法.     

带信息熵反馈机制的免疫克隆文本聚类算法

为了有效提高文本聚类的质量,用聚类过程不断反馈的信息熵改进向量空间模型中特征词权重的计算,构造以文本相似性为基础的抗体-抗原亲和力和抗体浓度计算方法,提出用亲和力和抗体浓度控制的抗体克隆和变异策略寻找聚类中心,并将文本归入与聚类中心相似度最大的类簇.实验表明,该算法可得到聚类质量较高并且稳定性较好的聚类结果.     

一种改进的全局K-均值聚类算法

将快速K中心点聚类算法确定初始中心点的思想应用于全局K-均值聚类算法,对其选取下一个簇的最佳初始中心的方法进行改进,提出选取下一个簇的最佳初始中心的一种新方法.该新方法选择一个周围样本分布相对密集,且距离现有簇的中心比较远的样本为下一个簇的最佳初始中心,得到一种改进的全局K-均值聚类算法.改进后的算法不仅可以避免将噪音点作为下一个簇的最佳初始中心点,而且在不影响聚类效果的基础上缩短了聚类时间.通过UCI机器学习数据库数据以及随机生成的人工模拟数据实验测试,证明改进的全局K-均值聚类算法与全局K-均值聚类算法及快速全局K-均值聚类算法相比在聚类时间上更优越.     

粒子群优化克隆算法在交流调速系统中的应用

提出了粒子群优化克隆算法(PSOCA),算法融合了免疫系统的克隆选择机制和粒子群优化算法的进化方程,具有全局寻优的能力.PSOCA改善了抗体种群的多样性,通过有效利用抗体的历史信息以及它们的合作提高了克隆选择算法的收敛速度.在PSOCA算法的基础上,设计了PID控制器(PCA-PID),可动态调整参数以适应时变对象.运用PCA-PID控制器进行交流调速,相对于采用粒子群优化算法和克隆选择算法设计的控制器,前者有更好的控制性能.     

一种基于CSA的模糊聚类新算法

在聚类分析中,模糊k-均值算法是目前应用最为广泛的方法之一,然而该算法对初始化敏感,容易陷入局部极值点,为此,提出一种基于克隆选择的模糊聚类新算法以实现全局优化处理．在新算法中,由于克隆算子能够将进化搜索与随机搜索、全局搜索和局部搜索相结合,因而通过对候选解进行克隆算子操作,能够快速得到全局最优解．用人造数据和IRIS实际数据所做测试结果表明了新算法的有效性．     

等价划分策略的混沌克隆优化算法

克隆选择算法随机产生种群的方式,将容易导致数字的取值非均匀的分布在解的空间,从而增加数据冗余的现象。为了克服克隆选择算法的缺点,将克隆选择算法和混沌优化相结合,提出一种用于函数优化的混沌克隆优化算法．该算法利用混沌的随机性、遍历性和规律性来避免陷入局部极小值,同时引入等价划分的策略,减少了可能出现的数据冗余现象。仿真实验显示了所设计的算法能以较快的速度完成给定范围的搜索和全局优化任务。     

带宽优化的进化算法

介绍了实值优化问题的进化算法，自然进化是基于群体的优化过程，在计算机上模拟自然进化过程形成统计优化技术．同传统优化方法相比，进化算法具有全局优化的优点，而且适合复杂的实际问题．带宽优化是寻找结点编号的最佳排列，使得刚度矩阵的带宽最小．传统方法一般求得带宽的局部极小值，而带宽优化进化算法可求得带宽的全局最优解     

用遗传算法C-均值聚类分割医学彩色图像

图像分割和对象提取是从图像处理到图像分析的关键步骤 .经典的C -均值聚类算法 (CMA)是将图像分割成C类的常用方法 ,但依赖于初始聚类中心的选择 .该算法通常得到的是局部最优解而非全局最优解 .遗传算法是一类全局优化搜索算法 .通过将遗传算法 (GA)与CMA相结合 ,对医学彩色图像直接按红绿蓝 (RGB)三色空间进行聚类 ,用遗传算法搜索全局最优解 ,有效地避免了C -均值聚类算法收敛到局部最优的问题 ,并在此基础上实现了对医学病理彩色图像的分割和对象提取 ,得到了比较满意的效果     

一种基于粒子群优化的K-均值彩色图像量化算法

目的利用粒子群优化算法和K-均值方法研究彩色图像的量化问题。方法针对K-均值聚类量化算法对初始值比较敏感,易陷入局部极小值从而使得算法得不到全局最优解,为局部搜索算法,以及粒子群优化算法是一种全局寻优方法的特征,把K-均值聚类方法和粒子群优化算法结合起来,将K-均值聚类方法中的聚类函数作为粒子群优化算法中的粒子适应度函数,对彩色图像进行聚类量化。结果实验表明新算法在峰值信噪比和均方根误差评判准则下可以得到更好的量化结果。结论新方法有效地克服了K-均值聚类方法和粒子群优化算法的不足。     

基于免疫原理的多模态函数优化算法

借鉴免疫原理,提出了一种新的多模态函数优化算法。通过构造克隆选择算子,利用抗体单性繁殖和优选进行函数快速局部优化;借助B细胞网络完成各种局部优化结果自组织记忆,有效地实现了全局最优解和局部最优解的快速搜索和保存,证明该算法具有较强的多模态函数优化能力。     

一种基于填充函数的神经网络全局优化算法

针对前向神经网络BP算法由于初始权值选择不当而陷入局部极小点这一缺陷,提出新的全局优化训练算法.首先,提出了一种新的填充函数,并证明该函数的填充性质,进而结合该新填充函数与BP算法,构造出基于填充函数的全局最优化神经网络算法.应用全局优化算法训练神经网络时,如果误差函数陷入局部极小值,该算法可以利用填充函数帮助误差函数不断地跳出局部最优,直到找到全局最优点.该新算法的最大优点是对于初始权值无依赖性,避免了BP算法易陷入局部极小值的缺点.理论分析和仿真试验结果证明了该全局优化神经网络算法的有效性和优越性.     

复杂系统可靠性优化的混合万有引力搜索算法求解

复杂系统可靠性优化问题是一类有约束限制且目标函数具有多个局部极值的非线性优化问题.为求解该类问题,提出了一种混合万有引力搜索算法的求解方法.算法利用基于万有引力定律的寻优机制指导群体进行全局搜索,并采用序列二次规划算法进行局部搜索,避免基本万有引力搜索算法陷入局部最优,改善优化性能,加快寻优速度.通过实例计算,并与蚁群优化算法、微粒群算法、蜂群算法和基本万有引力搜索算法等进行比较,验证了算法的可行性和有效性.     

基于免疫理论的仿生优化算法

提出一种新的仿生优化算法——自适应免疫克隆混合优化算法。介绍了仿生优化算法的基本思想及实现过程。以多峰值函数Camelback寻优为例,通过测试函数的计算结果,以及与基于信息熵的免疫算法和自适应免疫算法的仿真实验对比,证明了该算法对多峰值函数寻优的有效性,既可以大大减少计算量,又能改善种群的多样性,可快速达到全局最优,在优化领域具有广阔的应用前景。