小生境微粒群优化算法

将小生境技术引入到微粒群优化算法之中,设计出一种小生境微粒群优化算法。该算法除了始终赋予微粒生命力,还将位置重叠的差适应值微粒在搜索空间重新启动。通过对4个常用测试函数进行优化计算,仿真结果表明小生境微粒群优化算法比基本微粒群优化算法具有更好的优化性能。     

一种仿生优化方法—微粒群算法

介绍了一种新的仿生优化算法—微粒群算法。与传统的优化算法相比,微粒群算法在全局优化性能等多方面具有相当的优越性。     

复杂函数优化中的一种扩展微粒群算法

为了提高标准微粒群算法处理复杂函数时的优化性能,引入了一种扩展形式的新微粒群算法。该算法充分利用了微粒群算法中两个量的优点：群体最优位置利于引导个体快速进化、个体最优位置的中心利于增强群体的多样性。新算法是标准微粒群算法的扩展形式,同时保持了迭代公式的简洁形式。通过复杂函数优化的数值模拟表明,扩展的微粒群算法较标准微粒群算法在寻优能力上有明显的提高。     

多峰函数寻优的微粒群算法

某些实际问题的优化目标是求所有的局部最优解，即求解多峰寻优问题，为了求解多峰优化问题，提出了改造的微粒群优化算法．尽量减少微粒群算法中的全局因素，从而增大其局部因素，同时采用变步长方法增加微粒的多样性．并给出了该算法的原理和步骤．仿真实验表明该算法概念清楚，计算简单，具有很好的局部寻优特性，可应用求解于多峰寻优问题．另外还给出了几个运算实例和与其它优化算法的比较．图表，表1，参9．     

微粒群优化算法研究

微粒群算法(PSO算法)是模拟鸟类、鱼群等的群体智能行为的一种启发式全局优化技术.通过介绍微粒群优化算法的原理、算法流程、算法参数及其对算法性能的影响,给出了各种改进的微粒群算法形式以及研究现状,归纳了微粒群算法的国内外应用进展及研究方向.     

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．     

一种改进的自适应微粒群优化算法

为了提高微粒群算法(PSO)优化高维目标的性能,提出了个体惯性权重自适应调整微粒群算法(PSO-IIW).PSO-IIW中微粒拥有个体的惯性权重以满足不同微粒对全局和局部搜索能力的不同需求,此权重在对微粒每次进化后的适应值进行评价的基础上被自适应地调整,以加快其收敛速度并逃离局部最优.用该方法与其他两种不同微粒群优化算法对3个经典函数在80,120和160维数进行仿真的结果进行比较,证明在解决高维度目标时可以有效提高微粒群算法的性能.     

一种多样性引导的两阶段多目标微粒群算法

针对现有多目标微粒群算法存在容易陷于局部极值、收敛速度慢、函数评价次数多等不足,提出了一种多样性引导的2阶段多目标微粒群算法,依据种群多样性动态使用不同的变异方式,采用了2种不同的领导微粒选择方式,基于Pareto占优排序和拥挤距离来控制外部档案中解的数目。针对多个多目标测试函数进行了实验,并与其他文献的方法进行了比较,验证了算法的有效性。     

分段式微粒群优化算法

提出一种分段式微粒群优化算法。该算法将所要搜索的区域分成若干段,首先在每一区段内搜索出区段的最优位置,然后将各区段的最优位置组成一微粒群,继续搜索全局最优位置。通过对5个常用标准测试函数进行优化计算,仿真结果表明:分段式微粒群优化算法能有效地搜索到全局最优解,具有比基本微粒群优化算法更快的搜索速度和更好的优化性能。     

一种基于协同进化的随机微粒群算法

在多种群协同进化和随机微粒群算法基础上,提出了一种改进的多种群随机微粒群算法,将各个子种群度独立的按照随机微粒群去进化,周期性的更新共享信息,共同寻求最优解。其中采用了两种不同的更新策略,并对这两种不同的方法进行详细的分析和比较。实验表明:合理调整更新周期能提高算法的收敛性。     

PSO高斯诱导核模糊c均值聚类算法*

为了避免陷入梯度法局部极值以提升模糊聚类算法聚类性能,提出PSO高斯诱导核模糊c均值聚类算法(PSO Gauss-induced kernel fuzzy c-means clustering algorithm, PSO-GIKFCM)。首先将高斯核函数应用于模糊c聚类算法(FCM)目标函数,得到高斯核模糊聚类目标函数。然后在高斯核特征空间和输入空间利用梯度法得到两空间聚类中心,将特征空间聚类中心与样本的内积核矩阵代入输入空间聚类中心,从而得到高斯诱导核的聚类中心。最后在解空间利用粒子群算法(PSO)对模糊隶属度进行寻优估计,并结合目标函数和聚类中心构成PSO-GIKFCM参数估计迭代流程。PSO-GIKFCM算法基于粒子群算法保证其收敛性,聚类中心仅为模糊隶属度的函数,PSO生物进化算法在解空间全局寻找优解,且将模糊指标扩展为大于0的情况。通过仿真实验验证了所提出算法的有效性。     

改进粒子群算法和蚁群算法混合应用于文本聚类

首先对粒子群算法中的惯性因子和加速系数进行调整,利用其有效的全局搜索特性对数据进行粗聚类;然后使用蚁群聚类算法进行下一步聚类,得到了较好的聚类效果。     

基于GA与PSO并行的模糊聚类算法

针对FCM算法不足,提出一种改进的模糊聚类算法:基于遗传算法(GA)与粒子群优化算法(PSO)并行的模糊聚类算法.实验结果表明,该算法比单基于GA或者PSO的模糊聚类有较好分类正确率与稳定性,有效克服了传统FCM算法对初值敏感和易陷入局部极小值的问题.     

基于改进PSO算法的分布式能源供应链配置研究

传统能源储备量不足导致的能源危机使得分布式能源在能源网中占比越来越高,高效而环保的分布式能源供应链为能源互联网+智慧能源奠定了基础,为解决分布式能源供应链供给侧各分布式模块配置问题,以分布式能源供应链中各分布式模块的经济性问题和环保性问题为目标函数建立相关模型,分析了分布式风能、分布式太阳能和分布式天然气模块,研究分布...     

一种基于遗传算法的模糊聚类

对模糊c均值聚类算法（FCM算法）进行了讨论，说明FCM算法一般得不到全局最优分类，因此结合FCM算法提出了用遗传算法进行寻优求解，从而将遗传算法用于模糊聚类分析，最后的实例表明，遗传算法在处理多样本、多属性、多类别问题时，是一种有效的方法。     

基于马氏距离的模糊聚类优化算法——KM-FCM

为了解决以欧氏距离作为相似性准则的传统模糊聚类算法对多维数据处理不利的问题,采用马氏距离代替欧氏距离,对基于马氏距离的模糊聚类算法进行优化研究,以增强基于马氏距离的模糊聚类算法的聚类效果和能力。通过构造启发式搜索与k-means算法结合的初始优化方法,利用可以自动调节最佳聚类数的有效性函数,提出了一种优化算法KM-FCM,并将此新算法与FCM,FCM-M,M-FCM聚类算法在3个标准数据集上进行了实验。结果表明,KM-FCM算法有效,聚类精度比FCM,FCM-M,M-FCM高,对高维数据聚类识别能力强,具有全局优化作用,并且聚类个数无需提前设定。新算法可为基于马氏距离的模糊聚类算法的优化提供参考。     

基于APSO的模糊聚类算法

利用改进的自适应粒子群优化算法（APSO）较强全局寻优、快速收敛的特点和模糊C-均值算法（FCM）对初始值敏感、容易陷入局部最优的缺点,提出一种基于自适应粒子群优化算法的模糊聚类算法（APFM）。新算法有效的克服了FCM算法的缺点,同时增强了APSO算法全局搜索和跳出局部最优的能力。实验表明：新算法与单一的FCM和APSO算法相比聚类更准确,效率更高。     

基于APSO的模糊聚类算法

利用改进的自适应粒子群优化算法(APSO)较强全局寻优、快速收敛的特点和模糊C-均值算法(FCM)对初始值敏感、容易陷入局部最优的缺点.提出一种基于自适应粒子群优化算法的模糊聚类算法(APFM).新算法有效的克服了FCM算法的缺点,同时增强了APSO算法全局搜索和跳出局部最优的能力.实验表明:新算法与单一的FCM和APSO算法相比聚类更准确,效率更高.     

基于K中心点的文档聚类算法

K中心点算法是一个常用的聚类算法,它的主要缺陷是容易陷入局部极值,计算代价太高.本文先构造一个运用余弦相似度的K中心点文档聚类算法,然后提出一个改进算法,该算法不增加计算的复杂性,显著改进文档的聚类结果.最后,将该改进算法作为局部搜索过程嵌入到迭代局部搜索结构中,构造一个基于K中心点的迭代局部搜索文档聚类算法,进一步改进了文档聚类结果.试验结果表明该算法显著改进了文档聚类结果.