基于Max-min distance聚类算法的园地空间聚类--以永泰县嵩口镇为例

空间聚类是空间数据挖掘的重要手段之一。本文研究了一种基于质心点距离的Max-min distance空间聚类算法:通过加载园地图斑数据,计算其园地图斑质心,判断聚类中心之间的距离,并将符合条件的园地图斑进行聚类,最终将聚类结果可视化表达。本文的算法是利用Visual Studio 2017实验平台和ArcGIS Engine组件式开发环境,采用C#语言进行编写。实验结果表明:1)Max-mindistance聚类通过启发式的选择簇中心,克服了K-means选择簇中心过于邻近的缺点,能够适应嵩口镇等山区丘陵地区空间分布呈破碎的园地数据集分布,有效地实现园地的合理聚类;2)根据连片面积将园地空间聚类结果分为大中小三类,未来嵩口镇可以重点发展园地连片规模较大的村庄,形成规模化的青梅种植园。

基于min-max准则与区域划分的I-k-means-+聚类算法

针对I-k-means-+算法聚类结果不稳定、求解精度较低的问题,提出一种基于min-max准则与区域划分的I-k-means-+聚类算法.首先,提出min-max准则,计算每个数据点到最近中心的距离,优先选择距离最大的数据点作为新的聚类中心,避免多个初始中心聚集在同一个簇中的情况;其次,将分裂簇中的数据点分割到不同区域,在每个区域中选取一个数据点作为候选中心,以增加候选中心的多样性;最后,对于配对失败的簇,通过增益重新选择新的分裂簇与原删除簇再次配对,以提高配对成功率,进一步降低目标函数值.实验结果表明,与I-k-means-+算法相比,本文算法在运行效率基本相当的前提下,求解精度平均提高6.47%,且聚类结果更稳定;与k-means、k-means++算法相比,本文算法的求解精度更高.

Max-Min蚁群算法在固定货架拣选路径优化中的应用

固定货架拣选路径优化问题是一个典型的TSP问题 .为NP完全难题 .使用Max MinAntSystemAlgorithm来求解该问题 ,计算机仿真结果表明该方法能较快地找到最优解 ,而且比神经网络。

平面上的min-max型点-线选址问题

本文研究两类平面选址问题; (1)求一直线到n个给定点的最大加权距离为 最小;(2)求一点到n条给定直线的最大加权距离为最小.对这两个非线性优化问题。我 们给出最优解的刻划及迭代次数为多项式的算法.

一类min-max-min问题的区间算法

讨论了一类由一阶连续可微函数构成的无约束min-max-min问题．通过构造目标函数的区间扩张、无解区域删除原则,建立了求解min-max-min问题的区间算法,证明了算法的收敛性,给出了数值算例．理论证明和数值结果表明方法是可靠和有效的．

基于Min-Max方法和移动轨迹融合的车辆无线定位算法

针对无线信号易受外界因素干扰而造成定位突变的问题,提出一种融合Min-Max方法和移动轨迹方法的车辆无线电定位算法,并进行外场实验验证。结果表明,该算法的定位精度高于其它算法;超过90%的样本数据定位误差小于2m。

MAX-MIN蚂蚁系统算法及其收敛性证明

MAX-MIN蚂蚁系统算法是解决旅行商问题及二次分配问题的最好方法之一。它是在蚂蚁系统算法的基础上作了许多改进之后得到的一种算法,这些改进在一定程度上避免了过早停滞现象的发生,是一种较好的协作式搜索算法,但是到目前为止,对MMAS算法收敛性的研究还非常少。文章系统地介绍了MMAS算法,并在理论上证明了该算法的收敛性。

Max-min神经网络的一种有效学习算法

本文在A．Blanco等人[1,2]的算法的基础上，提出了max-min神经网络的一种改进了的反馈学习算法，严格证明了该算法的迭代收效性。理论分析及实例计算结果均表明，本文算法具有算法简单、收敛速度快、榆出误差小等显著特点。

改进的模糊Min-Max神经网络与模糊系统建模

应用改进的广义模糊Min-Max神经网络进行样本分类,并以此分类结果确定模糊系统所需的模糊规则数,再运用TSK模糊系统实现函数建模,该方法的优势在于,改进的广义模糊Min-Max神经网络具有较好的自适应分类能力,可用来初步确定模糊规则数和规则空间的划分,有效避免了模糊建模时常见的规则数选取之随意性。实验结果证明,该方法实用有效。

一类带约束min-max-min问题的区间算法

建立了一类带约束Min-Max-Min问题的数值方法,其中目标函数和约束条件均为Lipschitz连续函数。利用区间分析方法,基于罚函数法和区域二分原则,针对问题及目标函数约束条件的不可微的特点,构造了罚函数的区间扩张和无解区域删除原则,建立了区间算法,证明了该算法的收敛性。对算法进行了数值实验,并给出了数值算例,结果表明:该方法可以同时求出问题的最优值和全部全局最优解,是有效和可靠的。

Min-Max-Min问题的区间极大熵算法

讨论了目标函数和约束函数都是一阶连续可微的离散M in-Max-M in问题。利用罚函数法和极大熵函数思想将问题转化为无约束可微优化问题,构造了极大熵函数的区间扩张并证明了它的收敛性,给出了无解区域删除原则,建立了区间极大熵算法,理论证明和实例计算表明算法是可靠和有效的。

一类带约束min-max-min问题的区间算法

构造了求解一类带不等式约束的min-max-min问题的区间算法,其中目标函数和约束函数都是一阶连续可微函数,证明了方法的收敛性,给出了数值算例.该方法可以同时求出问题的最优值和全部全局最优解,是有效和可靠的.

Min-Max节点定位算法的分析与改进

无线传感器网络中RSSI测距是一项低成本的估算节点间相对距离的技术,而Min-Max算法是适合该技术并能满足网络低功耗要求的节点定位应用。首先在建立RSSI测距模型的基础上分析了Min-Max算法的性能,并针对该算法在室内环境中对靠近边缘区域未知节点的定位误差较大的问题,提出了一种有矩形边缘越界检测法,改进方法能通过检测重合矩形区域是否越界并做出相应的算法修正,仿真结果表明能有效提高定位边缘区域未知节点的定位精度。该改进算法在大规模多个节点的网络环境下,依然可以有效降低网络节点的平均定位误差。

云环境下的基于Min-Max的节能资源调度算法的研究

针对云计算环境下的高能耗问题,从系统节能的角度提出一种节能资源调度算法(energy-saving scheduling algorithm based on min-max,ESSAMM)。在Min-Max算法的基础上综合考虑了用户对于任务期望的完成时间和能量消耗两个因素,以节省任务执行过程中产生的能量消耗,并提高用户的时间QoS满意度,实现负载均衡。将任务集合中各任务按照长度从小到大排序,并根据时间QoS为该集合中长度最大和最小的任务选出符合用户期望的物理资源;根据能量估算模型,计算出这两个任务在各物理机上的执行能耗;选择最小能耗对应的物理机来执行该任务;将这两个任务在任务集合中删除,并重复上述过程,直到任务集合为空。仿真结果表明,相比于Min-Max和Min-Min资源调度算法,该算法能够有效降低系统执行任务产生的总能耗,提高用户时间服务质量,并实现调度系统负载均衡。

无线传感器网络中Min-Max定位算法的研究与改进

常见的基于测距的定位算法有Min-Max定位算法、三边定位算法和最大似然法,在研究这三种定位算法的同时,重点分析了Min-Max定位算法,并对其在定位边界区域误差较大问题提出一种有效的解决办法,并通过仿真进行验证。对比Min-Max及其改进方法的仿真结果表明,改进方法能有效改善定位边缘区域的盲节点的定位精度。

无约束min-max-min问题的区间斜率方法

区间斜率方法已应用于解决全局优化问题,且得到了较好的结果。讨论目标函数为因子函数的离散无约束min-max-min问题,利用区间斜率,构造目标函数的区间扩张和区间斜率删除原则,建立了求解离散无约束min-max-min问题的区间斜率算法,并给出了数值算例。相关结论和数值结果都表明:该方法可以同时求出问题的最优值和全部全局最优解,是可靠和有效的。

考虑容量和成本的最大最小分散度选址问题的降阶回溯算法

最大最小分散度问题可简单描述为:在给定的集合中选择包含固定元素个数的子集,使得该子集中的元素在给定距离度量下的最小距离最大;该问题在生产生活中有广泛的应用.近些年来,该问题的一种考虑容量下限和成本上限的变体开始引起学者们的关注,并已被证明为NP-Complete问题.基于考虑容量和成本的最大最小分散度选址问题进行研究,首先提出该问题的数学性质并证明,利用这些性质可以减小问题规模或缩减搜索空间,以加快问题的求解速度,然后设计了上下界子算法及降阶子算法;基于这些子算法提出一种可大幅缩减搜索空间并能得到最优解的降阶回溯算法.通过分析和求解一个示例来阐述该算法的原理和执行过程,并通过随机算例测试、算法对比分析和案例分析进一步验证了该算法的可行性和有效性.结果表明该算法可有效通过大幅缩减搜索空间加快问题的求解速度.

基于mRMR-IPSO的短期负荷预测双阶段特征选择

电力负荷具有时空多变的特性,受众多因素的影响,在短期负荷预测中较多的输入特征会造成维度灾难,导致模型预测性能不佳,因此选择合理的输入特征集至关重要。文章提出一种新的短期负荷预测特征选择方法——mRMR-IPSO双阶段法。利用最大相关最小冗余(maxrelevance and min-redundancy,mRMR)判据对原始特征进行排序,考虑输入特征与输出特征之间相关性和输入特征间冗余性,筛选掉一些排序靠后的特征,初选出对预测效果影响显著的特征子集;采用基于改进的粒子群优化算法(improved particle swarm optimization,IPSO)的搜索策略,以LightGBM模型的预测精度为适应度函数,对初选特征子集进行精选,得到最优特征子集。算例结果表明,所提方法能在对原始特征集大幅降维的情况下提升预测精度。

高维数据聚类数量可视化确定模式

为了解决经典K-均值聚类算法要求用户事先知道待处理数据的聚类数量及聚类结果对算法的初始化很敏感的问题,提出一种对K-均值聚类算法的改进措施并可视化地确定聚类数量的综合方案。首先,对数据进行标准化,使其服从正态分布,利用主分量分析(princi‐palcomponentanalysis,PCA)抽取数据中最重要的特征以实现高维数据的降维;然后,采用最远质心选择和最小-最大距离规则对K-均值聚类算法的初始化进行修正,避免出现空聚类并确保数据的可分离性;在此基础上,采用统计经验法则估计聚类数量的可能范围,通过搜索在此范围内平方误差和(sum-of-squared-error,SSE)曲线的肘部估计最佳的聚类数量;最后,通过计算比较各个聚类的轮廓系数以评价算法的聚类质量,从而最终确定数据集固有的聚类数量。仿真结果表明,该方案不仅能可视化地确定数据集潜在的聚类数量,而且为大数据时代的高维数据分析提供了一种有效的方法。

基于自适应果蝇优化算法的加权分簇算法

针对无人机编队网络管理问题,提出了一种基于自适应果蝇优化算法的加权分簇算法,利用分簇结构进行网络优化。该算法使用了基于离差标准化的数据归一化方法对各性能指标进行处理,并根据整体能耗改变权值分配规则,共同提高了簇头选举的客观性;分析了未定节点调整准则,提出了应用自适应果蝇优化算法进行簇的规模优化,消除了孤立节点和小规模簇;引入了剩余能量阈值和安全距离阈值约束维护条件,并分析了阈值的最优取值,减少了簇的维护次数。仿真结果表明,所提算法能够有效提高无人机编队各方面的性能,与现有算法相比,能够获得更好的网络管理效果。