一种新的K-Means蚁群聚类算法

针对蚁群聚类算法聚类质量不高的原因,使用K-Means算法改进蚁群聚类规则,提出一种新的K-Means蚁群聚类算法(KM-AntClust),并通过实验验证新算法的聚类效果.实验结果表明,新的算法可以明显提高聚类质量.     

一种改进鱼群聚类算法在结构面分组中的应用

针对结构面产状常规分类方法存在的不足,提出一种新型的结构面分类算法.基于K-Means算法的结构面分类,将人工鱼群算法(artificial fish swarm algorithm,AFSA)与K-Means算法相结合,建立了AFSA-RSK结构面分类算法.利用鱼群算法强大的寻优能力,代替K-Means算法对结构面产状聚心集进行搜寻,并通过K-Means算法进行聚类.聚类完成后,选择相应参数指标对聚类效果进行评价.针对存在的问题,对鱼群算法的步长和视野进行修正,提高寻找聚心集的精度,动态地调整了聚类过程.将改进后的AFSA-RSK算法与其他算法进行比较,结果表明在迭代速度、聚类精度以及内存占比上,改进后的AFSA-RSK算法都要更优,更适合在结构面分组方面的应用.     

一种改进樽海鞘群算法优化K-Means的小麦覆盖度提取方法

针对K-Means算法对初始聚类中心的依赖性较高,容易出现局部最优停滞的问题,提出一种改进樽海鞘群算法优化 K-Means 的小麦覆盖度提取算法。首先,将小麦图像转换到HSV色彩空间;然后,用改进樽海鞘群算法进行全局寻优,以获得全局最优值作为K-Means算法的初始聚类中心,接着运用K-Means算法进行局部寻优,直到迭代完成;最终,输出经过分割的小麦图像。为了评估算法性能,使用12个基准函数对ISSA及其他智能优化算法进行对比测试,同时将改进樽海鞘群算法优化K-Means应用于小麦覆盖度提取。结果表明,ISSA算法在优化精度和收敛速度上均超越其他算法,鲁棒性也得到了显著提高。与其他算法相比,ISSA-K算法分割后的小麦图像纹理比较清晰,效果更佳,同时具有更加高效的优势,可用于小麦覆盖度的提取,具有较强的实用性。     

一种应用于图着色问题的新型混合遗传算法

将遗传算法与模拟退火方法和禁忌搜索方法结合,提出了应用于图着色的混合遗传算法.在混合方法中,模拟退火算法用于局部寻优,提高算法的收敛速度,同时防止早熟收敛;禁忌搜索算法通过记忆能力防止进化过程出现循环来提高全局寻优能力.用遗传算法进行全局搜索,并与贪婪遗传算法和Dsatur算法进行了比较,结果表明,混合遗传算法的寻优质量优于对照算法.这种改进的混合遗传算法可以在稠密图上获得更好的寻优效率,在稀疏图上其效率则略有下降,这表明设计的改进混合遗传算法的合理性和有效性.     

基于改进遗传算法的模糊C均值聚类算法

针对传统模糊C均值聚类算法(FCM)的缺陷,提出了一种基于改进遗传算法的模糊聚类方法.利用改进遗传算法强大的全局寻优能力,这种算法较好地克服了FCM算法对初始化敏感、容易陷入局部最优的缺陷.仿真实验证明,该算法具有较强的全局寻优能力和较快的收敛速度.     

融合模拟退火的改进教与学优化算法

针对教与学优化算法(TLBO)在解决复杂优化问题时易陷入局部最优的缺点,提出了一种融合模拟退火的改进教与学优化算法(SAMTLBO).该算法首先对学员阶段做了改进,在保持TLBO算法简单易实现的基础上,利用模拟退火方法增强了TLBO算法摆脱局部最优的能力,最后用4种算法对8个无约束优化函数仿真.数值实验表明,该算法无论是在收敛速度还是在寻优精度上均优于基本TLBO算法、ETLBO算法和DMTLBO算法.     

基于改进HHO与K-Medoids的混合聚类算法

针对K-Means在聚类过程中对离群点敏感以及容易陷入局部最优的不足,本文提出一种基于改进HHO(IHHO)与K-Medoids的混合聚类算法(IHHO-KMedoids)。在IHHO中,带有Logistic混沌扰动的控制参数策略更好地实现了探索与开发之间的平衡,集成变异策略提高了算法的全局搜索能力,翻筋斗觅食策略增强了种群多样性,避免算法陷入局部最优。将所提IHHO与5种其他群智能算法和4种改进的HHO算法在CEC 2014测试函数上进行对比,实验结果表明IHHO算法的优化效果较好,求解精度较高。K-Medoids与K-Means相比对噪声点和离群点更鲁棒。IHHO-KMedoids算法稳定性好,不易陷入局部最优。UCI数据集和文本数据集上的仿真结果表明IHHO-KMedoids算法效率高,聚类精度高。     

基于自适应模拟退火的改进混合粒子群算法

为了改善旅行商(TSP)优化求解能力,对模拟退火与混合粒子群算法进行改进,引入了自适应寻优策略。交叉、变异的混合粒子群算法,易于陷入局部最优,而自适应的模拟退火算法可以跳出局部最优,进行全局寻优,所以两者的结合兼顾了全局和局部。该算法增加的自适应性寻优策略提供了判定粒子是否陷入局部极值的条件,并可借此以一定概率进行自适应寻优,增强了全局寻优能力。与混合粒子群算法实验结果对比,显示了本文算法的有效性。     

基于模拟退火的单向环蛙跳算法在优化问题中的应用

针对混合蛙跳算法求解优化问题时,进化后期种群多样性降低,算法极易陷入局部最优的问题,借鉴模拟退火算法中的Metropolis判别准则改进混合蛙跳算法中的族群内部寻优能力.同时,在族群之间构建一个单向环迁移机制,从而增强算法后期跳出局部最优的能力.对几种典型函数以及TSP问题的测试结果表明:基于模拟退火的混合蛙跳算法的全局搜索能力有了显著提高,并能有效避免陷入局部最优问题.     

K-PSO聚类算法在入侵检测中的研究

在改进的PSO算法与K均值算法基础上,提出K-PSO聚类算法.首先使用改进的PSO算法寻找最优的k个初始聚类中心点,然后利用K-Means算法找到聚类结果,最后把找到的结果输出即可.算法中待求解的向量空间中每个向量被描述为一个点,在数据集中的每个项目被描述为解空间中的一个维,整个数据集作为一个带很多点的多维空间来描述,每个点映射为一个粒子,整个数据集就是一个粒子群.实验表明,改进后的算法用于入侵检测系统中,可以提高异常检测的准确率,降低误报率.