基于粒子群优化聚类算法的点模型简化

为了有效地简化稠密采样点模型,提出了一种基于粒子群优化聚类算法的点模型简化方法.引入了具有强大全局寻优能力的粒子群优化算法,对传统的k-均值聚类算法进行改进,基于改进的聚类算法对点模型进行简化,选取具有最优个体适应度函数的粒子作为原始采样点集的最终简化模型.算法聚类依据采样点的空间位置、法向和曲率的邻近性,实现了点模型表面区域几何特征保持的简化.同时在聚类区域的划分中考虑了曲率阈值和区域半径,使得算法在有效地保持特征边界和曲面细节的同时,能够生成高质量的简化曲面.实验结果表明,粒子群优化的k-均值聚类算法克服了传统聚类算法容易陷入局部极小的缺点,具有更好的全局收敛性和较快的收敛速度.该简化方法在有效简化点模型的同时,很好地保持了原始模型的几何形状,且在相同简化效率下能够生成更高质量的简化曲面.     

一种改进粒子群优化算法在入侵检测中的应用

针对现有的粒子群优化(PSO)算法大多存在早熟收敛、容易陷入局部最优值的问题,提出了一种新的协同粒子群优化(CPSO)算法。该算法拥有两个子群,一个用于全局搜索始终保持粒子多样性,另一个用于局部搜索保证搜索精度,通过相互协同合作在全局最优值附近实现精确搜索。最后把该算法应用到动态聚类入侵检测,通过优化聚类半径和聚类阈值,对训练数据进行正、异常类聚类,然后用测试数据进行攻击检测。试验结果表明该算法较粒子群和突变粒子群(MPSO)算法性能明显提高。     

基于粒子群的三支聚类算法

针对K均值聚类(K-means)算法处理复杂问题时易陷入局部最优值、聚类质量较差等不足,提出一种基于粒子群的三支聚类算法.该算法先以随机产生的聚类中心组合作为初始粒子,构成粒子群;然后,通过调整算法中的速度公式参数,使粒子在迭代过程中能较快速地找出全局最优解,即最优的聚类中心;最后,采用三支决策的方法考察数据与类的关系,把确定归属的数据分配到类的核心域,归属不确定的数据分配到类的边界域.实验结果验证了所提算法的有效性,在寻找全局最优值和聚类结果准确性等方面算法都具有较好的性能.     

基于聚类分析的改进微粒群算法

聚类分析是依据样本间关联的量度标准将其自动分成几个群组,使同一群组内的样本相似,而属于不同群组的样本相异的一种方法．在微粒群算法中由数量不等的粒子根据规则组合成不同的群体,所有的群体最终将会向着一个全局最优的位置运动．本文将通过改进微粒群算法的局部更新规则来改善算法的性能,根据由聚类半径确定初始聚类中心的方法将粒子群进行分类,然后运用该方法对所有粒子进行分类,初始化得到不同的粒子群体,最后对整个粒子群体进行优化得到全局最优解．     

基于粒子群优化的核模糊属性c-均值聚类算法

为克服核模糊属性c-均值聚类算法易陷入局部最优解的缺点,提出一种新的基于粒子群优化的核模糊属性c-均值聚类算法.该算法根据核模糊属性c-均值聚类准则设计适应度函数,利用粒子群优化算法对聚类中心进行优化,在粒子迭代进化过程中采用动态调整学习因子,提高算法的优化性能.实验表明,本文算法优于单一使用核模糊属性c-均值聚类算法和基于粒子群优化的核模糊c-均值聚类算法,也优于目前常见的典型聚类算法.     

基于人工免疫粒子群优化算法的动态聚类分析

模糊C-均值聚类算法受初始化影响较大,在迭代时容易陷入局部极小值。将粒子群优化算法与模糊G-均值聚类算法相结合,提出一种新颖的动态聚类算法。该算法利用人工免疫思想改进粒子群优化过程,在很大程度上避免了粒子群算法和聚类算法早熟现象的发生,全局搜索能力和局部搜索能力优于同类算法。利用聚类理论中的经验规则kmax≤√n确定聚类数k的搜索范围,在最优粒子基础上进化新一级种群,该方案可有效提高算法的收敛速度。两组数据的仿真实验表明,新算法优于传统模糊C-均值聚类算法,具有收敛速度快和解的精度高的特点。     

一种整合粒子群优化和K-均值的数据聚类算法

针对K-均值聚类算法存在的不足,提出了一种新的整合粒子群优化算法(PSO)和K-均值算法的聚类算法.在新算法中,首先结合使用粒子群优化算法和K-均值算法搜索全局最优解的位置,然后再用K-均值算法在全局最优解附近的局部空间内快速寻找最优聚类中心.通过对4个数据集的实验测试,将此算法与K-均值算法、基于粒子群的K-均值算法进行了比较.实验结果表明,新算法的聚类质量比后两个算法更优.     

基于模糊聚类的粒子群优化算法

粒子群优化算法(PSO)的基础上,提出了基于模糊C-均值聚类(FCM)算法的粒子群优化算法.该算法在每次迭代过程中首先通过FCM算法把粒子群体分成若干个子群体,然后粒子群中的粒子根据其个体极值和子群中的最优粒子更新自己的速度和位置值.通过典型复杂函数测试表明,基于模糊C-均值(FCM)的粒子群优化算法的优化性能和效率远远超过基本粒子群优化算法.     

基于邻域影响的改进粒子群算法的聚类算法

K-均值算法是一种传统的聚类分析方法,具有思想与算法简单的特点,因此成为聚类分析的常用方法之一。但K-均值算法的分类结果过分依赖于初始聚类中心的选择,对于某些初始值,该算法有可能收敛于一般次优解,在分析K-均值算法和粒子群算法的基础上,提出了一种基于邻域影响的改进的粒子群算法的聚类算法,通过对粒子群算法的改进来优化与K-均值结合的聚类算法。该算法将局部搜索能力强的K-均值算法和全局搜索能力强的粒子群算法结合,提高了K-均值算法的局部搜索能力、加快收敛速度,有效阻止了早熟现象的发生,达到那些离群的孤立点。实验表明该聚类算法有更好的收敛效果,一方面聚类所用的时间更短,另一方面聚类的准确率更高。     

基于单增量和全局维度学习策略的萤火虫算法

萤火虫算法的搜索过程较依赖于最优萤火虫，而最优萤火虫并不进行有导向的寻优移动，算法易陷入局部最优.为此，提出了一种基于单增量和全局维度学习策略的萤火虫算法.在萤火虫个体移动时，该算法并不叠加萤火虫个体的当前位置，而是将累加的位置增量作为新的搜索方向，用于更新萤火虫的位置.该算法大大降低了萤火虫当前位置对搜索过程的影响，有利于算法更快的跳出当前局部最优，进行更大范围的寻优；其次，对最优萤火虫进行一定次数的单维度学习，将学习后的萤火虫引导种群进化.在基准测试函数上的实验结果表明，该算法优于其他几种改进的群智能优化算法，具有良好的跳出局部最优的能力.     

基于改进微粒群算法的K-MEANS聚类和孤立点查找

K均值算法的聚类个数K需指定,聚类结果与数据输入顺序相关,而且易受孤立点影响.针对这些缺陷,首先以实验的方式证明了找到最优的初始质心是K-MEANS算法有效的条件,对局部版的微粒群优化算法(PSO)进行了改进,利用其局部搜索的功能查找到K均值算法的最优初始质心和存在的孤立点,克服了K均值算法的这些缺陷。     

基于粒子群优化的异常入侵检测算法的研究

提出了一种基于粒子群优化的异常入侵检测算法．首先,对基于动态聚类分析的异常入侵检测系统进行了建模和关键模块分析,对聚类算法区别正常和异常数据记录的过程,进行了详细的介绍,然后针对基本PSO算法存在的局部早熟收敛问题,利用改进的粒子属性进行了算法改进,增加了粒子多样性．通过初始化种群、更新速度、更新位置、计算每个粒子的适应度值、更新pgd、循环迭代,得到最优解．最后,利用该算法对基于聚类的入侵检测系统进行实验,结果显示该算法明显提升了入侵检测系统的正确率．     

一种快速收敛粒子群优化算法在云计算中应用

针对现有云计算平台在调度中任务派发速度相对较慢和资源利用率较低的问题,提出一种快速收敛的改进粒子群优化算法,能快速确定合理的子任务分配方案,以较高的寻优率达到所有任务总完成时间最短的优化目标.针对粒子群算法初期收敛速度快后期收敛变慢的情况,按时段动态调整惯量权重值,提高算法的收敛能力和求解精度;通过用粒子群中所有个体最优位置的平均值代替粒子群优化算法的速度更新式中的个体最优位置,大幅加快收敛速度,加快任务派发方案预测的速度.通过建模和算法实现对比,表明该粒子群优化算法能有效地提高任务分配的派发速度和减少任务的总完成时间.     

基于合理信息共享机制的粒子群算法

本文基于合理的信息共享机制,提出了一种改进的粒子群算法。该算法一方面,将粒子群算法中粒子行为基于个体最优位置和种群最优位置变化为基于个体最优位置、种群最优位置和其余粒子的个体最优位置。另一方面,粒子根据适应值的大小来决定其余粒子个体最优信息的利用程度。因此,每个粒子利用了更多其它粒子的有用信息,加强了粒子之间的合作与竞争。3个基准测试函数的仿真试验表明了改进算法的有效性。     

基于改进混合蛙跳算法的软测量建模方法

针对混合蛙跳算法的寻优机制在寻优过程中易陷入局部最优和收敛效果不理想的问题,该文提出一种改进的混合蛙跳算法。该算法在更新群中最差个体时同步更新最优个体。更新最差个体步长时引入上一次的移动步长并赋予动态权值。改进算法舍弃了原算法中用随机值代替最差值的做法,引入高斯变异算子对最差个体进行高斯变异,使种群进化更趋合理。将改进的混合蛙跳算法运用到模糊C均值聚类算法的聚类中心优化中,得到最优的聚类中心。利用该聚类中心对样本进行模糊C均值聚类,并用高斯过程回归对各类样本子集分别建立对应的子模型,通过加权得到系统输出。以双酚A生产过程结晶单元为例进行仿真,对装置出口处的苯酚浓度进行软测量建模,获得了较好的实验结果。     

基于小波变异的改进粒子群算法

为了提高粒子群算法搜索精度和避免陷入局部最优,提出了一种改进的粒子群优化算法。一方面引入平均最好位置调整速度,使粒子可以利用更多的信息决策自己的行为;另一方面对引入的平均最好位置进行小波变异,增加算法的种群多样性。仿真实验结果表明:改进的粒子群算法具有寻优能力强、搜索精度高、稳定性好等特点。     

二进制自适应步长萤火虫优化算法

基本萤火虫优化算法(GSO)存在着易陷入局部最优、后期收敛速度慢和适应函数值震荡等缺陷,引起这些问题的一大原因是算法中设置的固定移动步长。而在一些自适应步长萤火虫优化算法(AGSO)中,算法收敛精度和速度虽较基本萤火虫算法有所优化,但其迭代过程中出现的不稳定性仍需改进。为此,设计了二进制自适应步长萤火虫优化算法(BAGSO),此算法将移动步长转换为各萤火虫位置编码之间的码距,使萤火虫的收敛方向更具全局性,不易陷入局部最优,且进一步提高了收敛精度和稳定性。通过标准测试函数测试,表明在3种算法中BAGSO算法于各性能指标上通常是最优的。     

基于混合算法的点云配准方法研究

为解决ICP( Iterative Closest Point) 算法对初始点云位置要求高且易陷入局部最优的问题,提出一种新的配准方法。首先遵从优势互补基本思想,结合将人工萤火虫算法和粒子群算法生成自适应人工萤火虫-粒子群算法( AAGPSO: Adaptive Artificial Glowworm-Particle Swarm Optimization) ,以使算法的收敛速度变快,解的精度得到提高; 其次优化迭代最近点算法( ICP) ,将已改进的AAGPSO 算法引入ICP 配准算法中进行点云配准,解决ICP 算法因点云的初始位置相差较大而陷入局部最优问题,加快整体的配准效率。通过实验对比原始ICP 配准方法和改进的配准方法并对其进行误差分析,结果验证了AAGPSO 算法在传统ICP 算法的基础上提高了配准精度,并且加快了算法收敛速度,改进的配准方法具有明显优越性。     

云计算环境下基于改进GSO的目标主机选择算法

目标主机的选择是虚拟机动态迁移过程中的重要阶段,是实现负载均衡的关键。针对基本萤火虫算法存在的精度不高、收敛较慢的问题,提出了一种改进的萤火虫优化算法,用于解决虚拟机迁移时虚拟机和目标物理主机的映射问题,实现多目标最优求解。该算法通过引入步长调整因子,能够动态调整移动步长,克服了步长过大或过小导致的精度不高、后期收敛较慢的缺点。全面考虑物理主机负载指标,建立负载均衡模型,将萤火虫算法中个体与节点资源相对应,利用萤火虫发光机制寻优求解,以实现目标主机的优化选择。仿真实验表明,该算法能够快速完成目标主机的选择,有效平衡系统资源,实现数据中心负载均衡。     

一种改进粒子群算法及其在水轮机控制器PID参数优化中的应用

提出一种改进的粒子群优化算法,除了个体极值和全局极值外,改进算法中还引入了粒子群的平均位置.因此,粒子可以获得更多的信息来调整自身的状态.基于3个基准测试函数的测试结果显示改进粒子群优化算法具有较好的全局收敛性和收敛精度.计算机仿真结果表明:改进粒子群优化算法应用于水轮机控制器PID参数的优化设计可以有效地改善水轮机控制系统过渡过程的动态性能.