基于BBO优化K-means算法的WSN分簇路由算法

针对无线传感器网络中传感器节点能量有限、网络生存期短的问题,提出一种基于生物地理学算法优化K-means的无线传感器网络分簇路由算法BBOK-GA。成簇阶段,通过生物地理学优化算法改进K-means算法,避免求解时陷入局部最优。根据能量因子和距离因子设计了新的适应度函数选举最优簇首,完成分簇任务。数据传输阶段,则利用遗传算法为簇首节点搜寻到基站的最佳数据传输路径。仿真结果表明,相较于LEACH、LEACH-C、K-GA等算法,BBOK-GA降低了网络能耗,提高了网络吞吐量,延长了网络生存周期。

基于混沌理论与蜉蝣优化K-means算法的变压器绕组松动故障特征分析方法

为了更加准确有效地对变压器绕组状态进行分析,提出了一种基于混沌理论与蜉蝣优化K-means算法的变压器绕组松动故障特征分析方法。首先,运用C-C法重构变压器振动信号的相空间,分析变压器振动信号的混沌特性,得到关联维数、Kolmogorov熵作为混沌特征。然后,将蜉蝣优化算法引入K-means聚类分析中,对高维相空间轨迹的簇中心选取进行优化,得到相轨迹的簇中心矩之和、矢径偏移,并作为几何特征。实验结果表明:变压器振动信号的最大Lyapunov指数均大于0,适用于混沌特性分析;由变压器振动信号计算出的混沌特征能够表征变压器绕组的松紧程度;同时,经蜉蝣优化的K-means算法得到的簇中心能够作为特征点提取整个相空间轨迹的几何特征,也能够区分绕组的松动故障;将两种特征结合能够实现变压器绕组状态的准确监测,从而为变压器绕组在线检修提供了一种理论依据。

基于混沌理论与麻雀优化K-means算法的变压器铁心松动缺陷分析方法

为了更加有效地对变压器铁心状态进行分析,提出一种基于混沌理论与麻雀优化K-means算法的变压器铁心松动缺陷特征分析方法。首先,运用C-C法求解重构相空间的嵌入维数与延迟时间,重构变压器振动信号的相空间。其次,计算变压器振动信号的最大Lyapunov指数来判断系统是否具有混沌特性,选取关联维数、Kolmogorov熵作为一组混沌特征以识别铁心的松动程度。再次,将麻雀搜索算法引入K-means聚类算法优化初始中心簇的选取并使用簇中心与簇类点的位移平均值作为描述变压器铁心松动状态的定量特征。最后,将两组特征结合起来形成变压器铁心松动故障的诊断指标,为变压器铁心的松动故障诊断提供理论依据,并投入分类器进行故障诊断,验证两组特征结合的优越性。

基于优化K-means算法的高校成绩聚类分析研究

针对经典K均值算法在聚类中心易受异常值影响,导致聚类结果不稳定的问题,提出基于样本分布密度的优化K-means算法,以提高聚类稳定性和准确性;聚类后通过CH指数和分类区间占比总体两种方法,客观评价3种离散化方法,结果表明,优化的K-means算法避免了区间分类不合理现象,更加准确地反映了成绩样本的分布特点。

基于K-means聚类算法的洁净厂房无线网络AP布局优化设计

基于K-means聚类算法,将无线网络使用点作为聚类对象进行聚类计算,输出不同聚类簇下的AP布局点,并通过检测优化前后相同使用点的无线网络信号强度评估优化效果。在使用相同AP数量的情况下,优化后的布局方案使用点的平均信号强度能明显提升。同时如果要增加AP数量以提高所有使用点的信号强度,该算法也给出了较好的指导方案。该算法可以给出提高洁净厂房无线网络使用点信号强度的AP布局优化设计方案。

基于自适应遗传优化k-means算法的高校学情分析

为对高校学生学习过程与学习行为进行深度分析,帮助教师实现精准化教学,本文基于某高校计算机及相关专业学生数字逻辑课程学习过程相关数据,探索一种自适应策略的遗传优化k-means算法来进行高校学情分析。首先针对k-means算法存在的不足,提出通过遗传算法的交叉操作和变异操作获取最优解,同时通过自适应策略动态地调整交叉概率和变异概率,避免过早产生次优解;其次对学生数字逻辑学习过程相关数据执行自适应策略的遗传优化k-means算法;最后对算法执行结果进行分析。结果表明,本文研究的基于自适应策略的遗传优化k-means算法能够获得更加有效的分析结果。

采用混合策略联合优化的模糊C-均值聚类信息熵点云简化算法

针对传统聚类算法处理点云简化问题时精度低、耗时长且易丢失特征信息等问题,提出了一种基于动态精英自适应混合策略的鹈鹕算法(DEAMPOA)与加权熵法联合优化的模糊C-均值聚类(FCM)信息熵点云简化算法。采用动态自适应种群混合策略,同时融合了精英反向化思路,显著提升了鹈鹕优化算法(POA)的收敛趋势和全局寻优能力,提高了寻找FCM最优聚类中心的成功率;利用DEAMPOA结合加权熵法对FCM进行优化,提高鲁棒性的同时增强了搜索精度,得到较好的聚类结果;在8种UCI标准数据集上与4种算法对比进行聚类性能评估实验,验证了所提方法综合性能优越;将所提方法与信息熵融合,并应用在三维点云KITTI数据集简化中。实验结果表明:与包围框简化法、随机采样简化法和特征选择简化法对比,所提方法全局误差简化前后点集之间平均欧式距离(MED)指标分别降低了2.25%、6.93%、5.74%,点云简化效果最优且运行速度满足要求。

一种基于改进差分进化的K-Means聚类算法研究

为改进传统K-Means聚类算法中因随机选取初始聚类中心而导致聚类结果不稳定且效率低的缺点,提出一种基于改进差分进化的K-Means聚类算法(AGDE-KM)。首先,设计自适应操作算子来提升算法前期的全局搜索能力和后期的收敛速度;其次,设计多变异策略并引入权重系数,在算法的不同进化阶段发挥不同变异策略的优势,平衡算法的全局和局部搜索能力,加快算法的收敛速度;最后,提出一种基于当前种群最佳个体的高斯扰动交叉操作,为个体提供更优进化方向的同时保持种群在“维”上的多样性,避免算法陷入局部最优。将算法停止执行时输出的最优解作为初始聚类中心替代传统K-Means随机选取的聚类中心。将提出算法在UCI公共数据库中的Vowel、Iris、Glass数据集和合成数据集Jcdx上进行对比实验,误差平方和(SSE)相对于传统K-Means分别减小5.65%、19.59%、13.31%、6.1%,聚类时间分别减少83.03%、81.33%、77.47%、92.63%。实验结果表明,提出的改进算法具有更快的收敛速度和更好的寻优能力,显著提升了聚类的效果、效率和稳定性。

基于Flink的鲸鱼优化K-Means算法

针对K-Means聚类算法依赖于初始聚类中心选择的问题,利用鲸鱼优化算法易于获取全局最优解及快速收敛性的优势,结合分布式框架的并行优势,提出了一种基于Flink的鲸鱼优化K-Means聚类算法。通过鲸鱼优化算法对领头鲸迭代更新、优化位置,用算法的最优解作为聚类中心替代K-Means算法的随机聚类中心,改进后的算法聚类效果较好、收敛速度快,有效结合了智能算法及分布式框架的优势。

基于K-means聚类的多种群麻雀搜索算法

为改善麻雀搜索算法(SSA)在单种群搜索中收敛速度过快导致其收敛速度出现冗余,易忽略优质解而陷入局部最优的缺陷,提出一种基于K-means聚类的多种群麻雀搜索算法(KSSA)。将多种群机制引入SSA,减弱单种群的收敛能力,并减小陷入局部最优的概率;采用K-means聚类划分子种群,增加子种群间的差异性,同时使子种群内个体在小范围内专注搜索,提升前期搜索效率;借助加权重心交流策略改善种群间交流的质量,减少自身种群的干扰,同时消减因某一子种群陷入局部最优而导致所有子种群陷入局部最优的风险;引入动态反向学习到警戒者中,增强其反捕食行为,改善因子种群数量增加而带来的收敛速度变慢和收敛精度不足的缺陷。经测试函数仿真实验表明:较SSA等算法,KSSA具有更优的寻优性能。

基于鲸鱼优化的k-means初始聚类中心选取研究

传统的k-means算法存在两个主要问题:初始聚类中心的随机选取和在处理大规模数据集时的低运算效率。为了解决这些问题,提出利用鲸鱼优化算法来选取最佳的初始聚类中心,在改进后的算法中结合分布式计算框架Flink实现并行执行。为了进一步优化聚类效果和提高算法的可靠性,利用孤立森林算法进行异常数据检测,对数据进行分域处理。实验选取UCI机器学习库中的Iris扩张数据集,优化后的k-means算法的轮廓系数指数提升约23%,DBI指数下降约9%,聚类效果有显著提升。

融合PSO的K-means聚类算法在高校财务分析中的应用

K-means算法作为经典的聚类分析算法,其聚类中心的随机选取往往影响最终的聚类准确性。本文巧妙地将全局搜索能力强、易收敛的粒子群优化算法(Particle Swarm Optimization,PSO)与K-means算法相结合,应用于高校财务数据的深入分析。研究结果表明,这种融合后的聚类算法不仅显著提升了聚类准确率和聚类速度,而且能够精准反映出该高校各二级单位报销情况,为高校财务管理提供了有力的决策支持。

基于均值与最大距离乘积的初始聚类中心优化K-means算法

针对K-means算法随机选择初始聚类中心所出现的样本聚类结果随机性强、稳定性低、容易陷入局部最优和得不到全局最优解等问题,提出一种基于均值与最大距离乘积的初始聚类中心优化K-means算法。该算法首先选择距离样本集均值最远的数据对象加入聚类中心集合,再依次将与样本集均值和当前聚类中心乘积最大的数据对象加入聚类中心集合。标准数据集上的实验结果表明,与原始K-means的算法以及另一种改进算法相比,新提出的聚类算法具有更高的准确率。

基于改进K-means算法的源荷匹配电网优化分区

针对电网分区问题中基于经验的启发式方法的局限性,考虑分区问题中的新能源和负荷之间的匹配特性,建立电网优化分区的衡量指标;基于源荷匹配度,通过求解各区域的源荷匹配度系数,实现对电网进行优化分区;在传统K-means算法中引入误差平方和,筛选最佳聚类数值,规避聚类模型对分析结果的不利影响。算例采用某地区6座500 kV变电站运行数据,分析并计算了各主变压器下的源荷匹配度系数,并根据系数对该区域电网进行分区。结果表明,所提算法能有效均衡分区之间的短路能力,明显提升在整体聚类上的效果。

光伏波动平抑下改进K-means的电池储能动态分组控制策略

针对电池储能系统(battery energy storage system,BESS)进行光伏波动平抑时寿命损耗高及荷电状态(state of charge,SOC)一致性差的问题,提出了光伏波动平抑下改进K-means的BESS动态分组控制策略。首先,采用最小最大调度方法获取光伏并网指令。其次,设计了改进侏儒猫鼬优化算法(improved dwarf mongoose optimizer,IDMO),并利用它对传统K-means聚类算法进行改进,加快了聚类速度。接着,制定了电池单元动态分组原则,并根据电池单元SOC利用改进K-means将其分为3个电池组。然后,设计了基于充放电函数的电池单元SOC一致性功率分配方法,并据此提出BESS双层功率分配策略,上层确定电池组充放电顺序及指令,下层计算电池单元充放电指令。对所提策略进行仿真验证,结果表明,所设计的IDMO具有更高的寻优精度及更快的寻优速度。所提BESS平抑光伏波动策略在有效平抑波动的同时,降低了BESS运行寿命损耗并提高了电池单元SOC的均衡性。

基于改进二进制粒子群算法优化DBN的轴承故障诊断

针对滚动轴承故障振动信号非平稳性的特点,对二进制粒子群优化算法(binary particles swarm optimization,BPSO)和深度信念网络(deep belief network,DBN)进行研究,提出一种基于局部均值分解(local mean decomposition,LMD)和IBPSO-DBN的轴承故障诊断方法。提出用加权惯性权重改进BPSO迭代过程中的固定权重,再用改进BPSO优化DBN的隐含层神经元个数和学习率。该方法先对信号进行LMD,提取出各PF分量的散布熵和时域指标,并构建特征矩阵,然后把特征矩阵输入改进BPSO-DBN模型中训练,实现滚动轴承故障诊断和分类。采用试验轴承数据做验证并与其他诊断方法对比,结果表明,基于LMD和BPSO-DBN的滚动轴承故障诊断方法具有较好的故障识别率。

优化聚类分簇结合自适应中继策略的双簇首WSNs路由算法

针对无线传感器网络中分簇路由算法节点能量利用率低、能量消耗不均匀等问题,提出了一种优化聚类分簇结合自适应中继策略的双簇首无线传感器网络路由算法.该算法对分簇路由协议中的三个阶段分别进行优化设计.成簇阶段,首先对双簇首模型下最优成簇规模与网络能耗的关系进行理论分析,然后使用改进的算术优化算法计算模糊C均值算法的初始聚类中心,提高了模糊C均值算法聚类成簇的准确率和鲁棒性.簇首选举阶段,引入双簇首策略,以节点的位置、能量和中心度为影响因子,根据承担任务的不同分别为内外簇首设计独立的簇首评价函数,以评价值为依据由节点分布式动态选举簇首减少了广播数量,同时可以将整个簇的能量负载平均分配到每个簇成员节点中.数据传输阶段,设置了多跳中继策略的距离适用条件,并以能量消耗速率为依据选择中继节点,避免了节点提前过载.仿真结果表明:在多种规模的网络中,该算法相较于对比算法在均衡网络负载、提高能量利用效率方面效果更好,从而延长了网络的有效感测时间.

基于自适应滑动窗均值偏移算法的雷达信号分选

为了应对复杂体制雷达信号分选的要求,提升信号分选的速度和准确性,解决传统信号分选方法的弊端,本文将均值偏移聚类算法引入雷达信号分选,通过改进算法引入滑动窗的自适应更新摆脱了传统分选方法对预设参数的依赖。实验结果表明:自适应滑动窗均值偏移算法在分选准确性和速度上综合表现优于用于对比的传统分选方法,对不同密度的雷达数据集和在脉冲丢失的情况下都可实现较好的分选效果,对捷变频雷达的分选效果良好,并可推知对其他类似体制的雷达均有良好分选效果。本文研究成果可应用于大量数据的多体制雷达的分选优化。

基于Halton序列改进蝠鲼算法的K-means图像分割

图像分割在日常生活中扮演着重要角色,传统的K-means图像分割具有随机性且容易陷入局部最优等缺陷,使得分割质量大大降低。为改善这些现象,提出一种基于Halton序列改进蝠鲼觅食优化(HMRFO)算法的K-means图像分割,HMRFO采用Halton序列初始化种群,使得个体位置充分均匀,再引入折射反向学习提升算法的全局搜索能力,最后引入新型的高斯变异策略,减小算法陷入局部最优的概率。在6个基准测试函数中对比了5种算法,验证了HMRFO的有效性及可行性。同时,将其应用于K-means图像分割中,与其他4种算法进行对比,结果显示HMRFO优化K-means具有较好的分割质量及泛化能力。

基于领导者竞争策略的改进猎人猎物优化算法

针对猎人猎物优化算法寻优精度低和易陷入局部最优等问题,提出了一种基于领导者竞争策略的改进猎人猎物优化算法。首先将种群随机分为三个亚群,采用不同的搜索策略,扩大搜索范围;其次,采用精英组合突变策略,提升种群子代多样性,规避局部最优值;最后,提出领导者竞争策略,利用个体间的信息交流,统合各个策略,筛选出最优变量。通过数值实验以及在工程优化问题上的应用结果表明,所提算法相较于对比算法具有更为优异的寻优能力,验证了改进策略的有效性和可靠性。