基于BA的模糊聚类算法研究

模糊C均值聚类具有较广泛的应用，但该聚类算法本身存在容易陷入局部最优、对初始值敏感的缺点．本文提出基于蝙蝠算法与模糊c均值算法相结合的BAFCM聚类算法，并通过数值实验对比，说明BAFCM聚类效果优于FCM、PFA．  

新型蝙蝠算法辨识船舶运动模型参数

为准确、有效辨识出船舶运动模型的参数,以构建精确的船舶运动模型,将群智能优化算法的中的新型蝙蝠算法引入到船舶运动模型的参数辨识。将船舶运动模型参数辨识问题转化为一个多维变量函数优化问题,分析了新型蝙蝠算法求解船舶运动模型参数辨识的适应性；给出了采用新型蝙蝠算法进行船舶运动模型参数辨识的流程。基于实船实验数据,采用新型蝙蝠算法辨识了实船一阶线型响应型模型参数。实例显示,将船舶运动模型参数辨识问题转化成优化问题,通过新型蝙蝠算法对构建的误差准则目标函数的优化,能够快速找到使得目的函数最优的一组变量,该变量即为辨识得到的模型参数。研究表明,文中的技术路线简明且适用,是一种有效的计算机辅助船舶运动模型参数离线辨识方案。  

引入PSO加速因子和个体认知的改进蝙蝠算法

针对蝙蝠算法后期收敛速度慢，易陷入早熟收敛，求解精度低的缺点，提出一种引入粒子群算法中的个体认知与加速因子的改进方法。该方法增加了蝙蝠的个体历史飞行经验，提高了个体自主性，以避免群体经验过度影响带来的进化能力丧失；利用加速因子对速度的控制，增加蝙蝠的可飞行范围，提高搜索能力，加快收敛速度。最后选取标准测试函数对设置不同加速因子的改进算法进行仿真验证，并与基本蝙蝠算法进行对比，结果显示改进后的算法在收敛速度和求解精度上有进一步提高。  

基于蝙蝠算法的K均值聚类算法

为解决传统K-means算法中因初始聚类中心选择不当而导致聚类结果陷入局部极值的问题,采用蝙蝠算法搜寻K-means算法的初始聚类中心,并将模拟退火的思想和基于排挤的小生境技术引入到蝙蝠算法中,以克服原始蝙蝠算法存在后期收敛速度慢、搜索力不强等问题.同时,通过测试函数验证了其有效性.最后利用改进后的蝙蝠算法优化K-means算法的初始聚类中心,并将该改进的算法与传统的K-means算法的聚类结果进行了对比.实验结果表明,改进后的算法的聚类性能比传统的K-means算法有很大提高.