基于改进蜘蛛蜂算法的无人机三维路径规划

为了提高无人机路径规划在复杂环境中的收敛速度和收敛精度,避免陷入局部最优,提出了一种基于改进蜘蛛蜂算法的无人机三维路径规划方法。本文在传统SWO算法中引入自适应t分布扰动变异和Cubic映射策略更新搜索阶段位置,避免局部早熟收敛;然后,引入周期性随机振幅动态调整追逐和逃逸阶段搜索方向,帮助算法跳出局部最优,并结合螺旋更新机制和Levy飞行策略增强算法全局寻优能力,提高算法收敛精度;最后,将ISWO算法在8个测试函数中进行性能验证并实验仿真,结果表明,复杂地形环境中ISWO算法执行时间相比传统SWO算法减少了26.86%,并且较CPO、COA、GOOSE、PSO、GWO算法执行时间减少了13.80%~28.27%不等。同时,ISWO算法最小适应度值较传统SWO算法减小49.76%,较其他算法至少减小27.73%。由此得出,本文所提改进算法能够在复杂地形环境中快速得到一条更短且更安全的路径。

基于图像处理的三支聚类

将数字图像处理中模糊锐化算子与三支聚类进行结合,提出了一种基于图像处理的三支聚类算法。该算法通过逆多元二次核函数将数据集的密度量化为灰度值,对数据总体采用模糊与锐化操作,提取锐化后灰度值较高的数据区域,将低密度区域从原始数据中删除。对灰度值较高的数据采用传统的聚类算法得到不同的类簇,然后对每个类簇利用图像模糊算子得到类簇的核心域,锐化算子得到类簇数据边界域,从而获得每个类簇的三支表示。试验采用不同的UCI数据集,通过比较聚类指标Adjusted Rand Index(ARI),Normalized Mutual Information(NMI)和Adjusted Mutual Information(AMI),验证了该聚类算法的有效性。

基于自然最近邻的样本扰动三支聚类

利用数据样本的自然最近邻信息,给出了一种基于样本扰动理论的三支聚类算法,结合自然最近邻信息生成2组扰动数据集,随机提取特征子集并使用K⁃means聚类算法获得不同的聚类结果,利用共现概率矩阵和确定函数获得样本的稳定性,根据样本稳定性阈值将样本划分为稳定区域和不稳定区域,再对2个区域的样本使用不同的策略获得每个类簇的核心域和边界域。实验采用5个公开数据集与2种传统的聚类算法进行对比,结果验证了所提算法的有效性。