改进人工蜂群算法及其在工程设计中的应用

针对求解多目标优化问题(MOP:Multi-Objective Problem)时,人工蜂群算法(ABC:Artificial Bee Colony)存在难以收敛和候选解多样性难以保持的问题,对其各部分求解策略进行了改进。基于ABC算法框架,设计了一种基于自适应求解策略的多目标ABC算法,并在机电执行器设计的实际应用工程设计问题中,将所提出的改进多目标ABC与其他典型的群智能算法进行优化性能比较。通过实验验证可知,所提出的MOABC/DD(Multi-Objective Artificial Bee Colony Based on Dominance and Decomposition)算法在求解机电执行器设计问题基准测试用例时,与典型算法相比,具有较好的问题求解精度。并且MOABC/DD的实验结果较为稳定,从而证明了MOABC/DD具有较高的求解稳定性和健壮性。     

一种改进的多目标人工蜂群算法

由于基本多目标人工蜂群算法存在着种群盲目搜索、算法开发能力有限等缺点,在利用人工蜂群算法求解多目标优化问题时,提出了一种改进的人工蜂群算法.通过在算法中引入自适应搜索机制和变异机制等操作,使得种群个体可以有针对性地进行更新,同时也大大提高了种群个体的多样性.最后利用几种多目标的测试函数对改进前后的多目标人工蜂群算法的性能进行测试,结果表明:改进后多目标人工蜂群算法具有良好的算法收敛性和均匀性.     

基于最近邻区间的不完整基因表达数据多目标聚类算法

针对不完整基因表达数据的聚类问题,提出了一种多目标NSGA-Ⅱ框架下缺失值填补与聚类协同优化的算法.算法根据欧式距离确定不完整基因的近邻基因,以缺失值的最近邻区间为约束,采用混合编码将缺失值填补与聚类中心优化融入NSGA-Ⅱ进化过程,通过将数据集的统计信息与聚类结果共同作为缺失值填补因素,提升不完整基因表达数据的填补准...     

数据驱动下基于量子人工蜂群的K均值聚类算法优化

该文将量子人工蜂群(Quantum artificial bee colony, QABC)算法用于K均值(K-means)聚类的类别中心点选择,优化K均值聚类算法,可有效解决因随机设置K均值中心点而导致聚类准确度不高的问题。该文设置K均值聚类类别数,并随机设置若干类别中心,采用人工蜂群(Artificial bee colony, ABC)算法优化类别中心点,根据待聚类样本点构建蜜蜂种群,并对蜂群个体位置采用量子比特表示。以样本点和中心点的距离的倒数作为ABC算法适应度,并将适应度值较高个体定义为蜜源。通过引领蜂在运动范围内的粗粒度遍历和跟随蜂的细粒度探索,不断搜寻适应度较高个体,并且更新蜜源,直至ABC算法稳定后确定较优蜜源位置为聚类中心。采用ABC优化得到的聚类中心进行K均值聚类。试验结果表明,通过合理设置ABC搜索边界,并引入蜂群位置的量子表示,可有效增强ABC对聚类中心的搜索精度。相比于常用聚类算法,QABC+K均值算法的聚类性能更优。     

一种改进的基因表达数据双聚类算法

对基因表达数据进行双聚类分析是生物信息学领域的一种重要技术方法,但双聚类问题已被证明属于NP难问题.目前针对基因表达数据的双聚类算法都存在时间效率较低的问题.为此,采用遗传算法与粒子群优化算法相结合的混合进化算法来求解基因表达数据的双聚类问题.实验结果表明,所提算法在明显减少运行时间的同时,仍能保证良好的聚类效果.     

基于神经网络树和人工蜂群优化的数据聚类

针对高维数据引起的"维数灾难"问题,设计了一种基于神经网络树和人工蜂群优化的高维数据聚类算法.首先,设计了改进的二元人工蜂群优化算法,以封装式方法最大化径向基函数网络的准确率,以过滤式方法最小化特征的冗余度;然后,基于每个特征子集的样本集训练径向基函数网络,构建以径向基函数网络为节点的神经树;最终,采用门网络将连接的类...     

聚类算法在基因表达数据分析中的应用

聚类算法在基因表达数据的分析处理中得到日益广泛的应用．文中对几种典型的聚类算法进行描述，对各算法在基因表达数据处理中的特点，进行评价并提出改进的策略．最后，指出聚类算法在生物信息学应用中的发展趋势。     

基于多目标蜂群算法的数据分类方法

为了保证运算时效的同时,提高复杂数据的分类精度,提出了基于多目标蜂群算法和极限学习机的数据分类算法。该方法以最小的特征个数和最高的分类精度为优化目标,利用改进的多目标蜂群算法对数据的特征个数和分类器参数进行寻优,针对多个有代表性的数据集进行仿真,结果表明所提出方法的有效性。     

基于高效非支配排序的多目标人工蜂群算法

多目标优化问题广泛存在于科学与工程领域,为了提高求解效率,改进算法中的关键环节——非支配排序,提出了一种基于高效非支配排序的多目标人工蜂群算法。本文算法根据精英指导离散解生成策略进行局部搜索,运用高效非支配排序计算解的前沿面,最后根据前沿面排名和拥挤距离来挑选表现较好的解进行下一轮迭代。在基准函数上的实验验证了本文算法在保证求解性能的前提下,可以降低1/2的比较次数,运行效率提升近65%。     

基于人工蜂群的模糊聚类算法

针对模糊C-均值(FCM)聚类算法存在容易陷入局部极小值、对初始值和噪声数据敏感的缺点,提出一种基于人工蜂群(ABC)的模糊聚类算法(ABFM).该算法引入全局寻优能力强的人工蜂群算法来求得最优解作为FCM算法的初始聚类中心,然后利用FCM算法优化初始聚类中心,最后求得全局最优解,从而有效克服了FCM算法的缺点.实验结果表明,新算法与FCM聚类算法相比,提高了算法的寻优能力,并且迭代次数更少,收敛速度更快,聚类效果更好.     

基于并行的非支配排序遗传Ⅱ算法优化双聚类

双聚类是微阵列基因表达数据分析中很实用的一种数据挖掘技术,它是一种同时对微阵列基因和条件进行聚类的方法,用来挖掘基因子集在条件子集下所体现出来的生物模式。传统的双聚类算法对于庞大的基因表达数据处理效率很弱,考虑在j Metal平台上实现基因表达数据的双聚类的一种新的研究方法及思路。同时考虑加入并行策略,提高算法的效率。在酵母啤酒细胞基因表达集和人类B-细胞两个标准数据集上对两个算法进行实验验证,表明所提出算法比其他多目标双聚类算法呈现出更好的优越性。     

基于改进多目标蜂群算法的Web服务组合优化方法

为解决Web服务组合优化方法中的组合多样性和服务质量的问题,在人工蜂群算法上提出改进,通过在算法中引入反向学习算子、精英引导策略和组合变异策略等操作,使得种群个体有针对性地进行更新,在保证服务组合质量的前提下,提高了服务组合的多样性.结果表明,所提算法具有良好的算法收敛性和均匀性,同时在为Web服务组合优化方面,也取得了较好的优化效果,提高了寻优精度、解的质量和收敛速度.     

一种解多目标优化问题的基于分解的人工蜂群算法

在处理多目标优化问题时,如何平衡所得解集的分布性与收敛性是一个困难又重要的工作。为此,提出了解决该问题的一种基于目标空间分解的人工蜂群算法(MOABC/D)。首先采用一组方向向量将目标空间分解成一系列的子区域,并在每一个子区域至少保留一个解来保持解的分布性,其次提出一个基于分解的选择策略和2个基于信息交换的搜索策略来提高人工蜂群算法的搜索能力,并采用一个基于高斯分布的搜索策略来增强人工蜂群算法的搜索效率。为验证所提算法的性能,与8种同类算法在10个测试问题上进行比较。结果表明,本文所提算法得到的解集具有更好的收敛性能和分布性能。     

基于人工蜂群算法的多目标跟踪数据关联研究

为快速实现多目标跟踪的数据关联,将人工蜂群算法(ABC)与多目标跟踪数据关联相结合,实现快速的多目标跟踪数据关联.本文以跟踪门确定目标的有效量测,以新息的似然函数描述量测与目标的关联关系,建立多目标数据关联的组合优化模型,详细阐述了人工蜂群算法的基本原理,工作流程.利用人工蜂群算法寻找多目标数据关联优化组合模型的最优解,人工蜂群算法在离散空间的启发式机制实现搜索目标的量测与最佳数据关联.仿真表明,该算法与经典的JPDA算法以及基于元启发式的蚁群算法的数据关联算法进行比较,提高目标关联准确性和跟踪精度.     

基于单纯形法的人工蜂群算法改进研究

人工蜂群算法中的侦察蜂阶段的搜索操作在一定程度上可以解决算法陷入局部最优的问题,但也和其他启发式优化算法一样,存在着局部搜索能力差,在接近最优解时搜索效率下降,以及求解复杂问题时可能陷入局部最优而使算法停滞等缺陷。为了改善此缺陷,采用NM算法来取代人工蜂群算法侦察蜂阶段的随机产生个体机制,提出了一种基于NM算法的改进人工蜂群算法(NMABC)。希望基于NM算法优异的局部搜寻能力,改善人工蜂群算法局部搜索能力较差之缺陷并提高搜索效率。     

基于GPU改进的并行人工蜂群算法

相对于先前的并行人工蜂群算法进行了一些改进,主要采用OpenCL本地内存、并行规约等技术,提出了一种基于图形处理器（GPU）改进的并行人工蜂群算法．该算法将采蜜蜂映射为OpenCL一个工作项,跟随蜂采用右邻域优先的局部选择机制．实验结果表明：文中提出的改进并行人工蜂群算法提高了算法的执行效率,收敛速度得到提升．