基于可变染色体长度的遗传K均值聚类算法

针对传统K-均值聚类算法需要事先确定聚类数,以及对初始质心的选择具有敏感性,从而容易陷入局部极值点的缺点,使用了一种基于可变染色体编码长度的遗传算法对传统K-均值聚类进行改进。该算法可以在事先不确定K值的情况下,通过多次的选择、交叉、变异的遗传操作,最终得到最优的聚类数,以及最优的初始质心集。通过Reuters数据集的实验结果表明,基于该算法的聚类划分结果明显优于传统K-均值聚类算法,并且好过基于固定染色体编码长度遗传算法的K-均值聚类算法。

改进遗传K均值算法在负荷特性分类的应用

负荷特性聚类是负荷建模的基础工作,精确的负荷特性分类对负荷建模十分重要。为适用于实际电网规划等对负荷分类精度要求更高的领域,针对负荷聚类时存在的聚类数目不确定、初始条件选择敏感的问题,提出了一种改进遗传算法的负荷特性分类新方法。该方法在遗传算法全局搜索能力的基础上,结合K均值聚类方法进行聚类分析,得到最优分类结果。同时,针对聚类中心敏感的问题,遗传算法中采用可变长编码方案进行优化,动态寻找最优聚类数目,确定最优聚类中心。实例分析结果表明,用改进遗传算法对负荷特性进行分类,能够有效避免初始条件对分类结果的影响,可以获得良好的分类效果。

基于遗传算法的追踪列车节能优化

为了研究追踪列车的节能优化操纵策略,提出了四显示固定闭塞系统下的列车静态速度约束条件和追踪列车动态速度约束条件.在此基础上,建立了以列车操纵手柄级位和工况转换点为控制变量的追踪列车节能优化模型.采用染色体长度可变多目标遗传算法,结合外部惩罚函数对该模型进行了求解,并利用遗传算法中的染色体变长算子对列车操纵手柄变换策略进行了优化.在四显示固定闭塞平台上的仿真结果表明,该方法可在安全、准点的前提下,使追踪列车的能耗下降4.3%,运行时间误差减小1.7%.

基于改进遗传算法的电力通信网路由优化研究

当前电力通信网承载的系统保护类业务对电网的安全稳定运行至关重要。针对电力通信网络中存在路由选择算法效率低下以及路由质量较差的问题,本文提出一种基于改进遗传算法的最短路由优化方法。该算法针对电力通信网拓扑复杂,不同业务主备路由长度不一的特点,采用可变长度染色体对可行路由进行编码,并通过优化的选择、交叉、变异以及染色体修复操作,提升了遗传算法的搜索能力、全局寻优能力,并通过改进的计算模型对种群规模进行了有效缩减,保证了算法的收敛效率。仿真测试证明了,该算法能够实现较高质量的最短路由计算、较高效率的收敛速度,并且对网络拓扑变化敏感度较低。

一种启发式SP路由遗传算法的研究

在QoS网络结构下,提出一种启发式SP路由遗传算法;采用可变长度的染色体编码机制,并进行优化选择、交叉、变异等操作;用C语言得出的仿真结果表明该算法比Munemoto算法和Inagaki算法收敛速率快,可靠性高,而且可以搜索到全局最优解。

结合遗传k均值改进的密度峰值聚类算法

针对密度峰值聚类(CFSFDP)算法处理多密度峰值数据集时,人工选择聚类中心易造成簇的误划分问题,提出一种结合遗传k均值改进的密度峰值聚类算法。在CFSFDP求得的可能簇中心中,利用基于可变染色体长度编码的遗传k均值的全局搜索能力自动搜索出最优聚类中心,同时自适应确定遗传k均值的交叉概率,避免早熟问题的出现。在UCI数据集上的实验结果表明,改进算法具有较好的聚类质量和较少的迭代次数,验证了所提算法的可行性和有效性。