基于快速遗传K-means算法改进的柴油机故障诊断

以6135ZQ-1型柴油机为研究对象,根据试验测得的活塞环不同磨损状况下的缸内压力波形图及相应的特征参数,运用改进的快速遗传K-means算法,提取出了最能表征对象状态的参数,建立了判别柴油机此类故障表征体系。其结果表明该方法能较好地应用于柴油机的状态评估与故障诊断。

基于初始中心优化的遗传K-means聚类新算法

一个好的K-means聚类算法至少要满足两个要求:(1)能反映聚类的有效性,即所分类别数要与实际问题相符;(2)具有处理噪声数据的能力。传统的K-means算法是一种局部搜索算法,存在着对初始化敏感和容易陷入局部极值的缺点。针对此缺点,提出了一种优化初始中心的K-means算法,该算法选择相距最远的处于高密度区域的k个数据对象作为初始聚类中心。实验表明该算法不仅具有对初始数据的弱依赖性,而且具有收敛快,聚类质量高的特点。为体现聚类的有效性,获得更高精度的聚类结果,提出了将优化的K-means算法(PKM)和遗传算法相结合的混合算法(PGKM),该算法在提高紧凑度(类内距)和分离度(类间距)的同时自动搜索最佳聚类数k,对k个初始中心优化后再聚类,不断地循环迭代,得到满足终止条件的最优聚类。实验证明该算法具有更好的聚类质量和综合性能。

基于复合形遗传算法的K-means优化聚类方法

针对基本遗传算法所存在的缺点和不足,提出了一种改进的遗传算法———复合形遗传算法,并将其用于K-m eans优化聚类。把复合形法嵌入到遗传算法中,利用复合形法对遗传算法群体中的部分个体进行处理,来改善种群的质量,以加快最优解的搜索进程。该方法既有复合形法快速高效的特点,又有遗传算法全局性好的特点。算例的结果表明,该方法用于改进K-m eans优化聚类是可行的与有效的。

一种基于遗传算法的K-means聚类算法

传统K-means算法对初始聚类中心的选取和样本的输入顺序非常敏感,容易陷入局部最优。针对上述问题,提出了一种基于遗传算法的K-means聚类算法GKA,将K-means算法的局部寻优能力与遗传算法的全局寻优能力相结合,通过多次选择、交叉、变异的遗传操作,最终得到最优的聚类数和初始质心集,克服了传统K-means算法的局部性和对初始聚类中心的敏感性。

遗传模拟退火算法在k—means聚类中的应用

针对传统的k-means算法执行的结果过度依赖与初始聚类中心的选择，容易陷入局部最优解，全局搜索能力不强等缺点，该文提出将遗传算法（GA）与模拟退火算法（SA）相结合的混合遗传算法，此方法比传统的遗传算法具有更好的全局收敛性，避免了早熟的问题。将此算法应用到k-means聚类领域中，可以有效的克服k-means算法的缺陷，同时优化聚类的结果。实验表明该方法是一种高效精确的聚类方法。

一种基于简单遗传算法的K-Means改进算法

针对k-means算法对初始值敏感、易陷入局部极小值等缺点,结合遗传算法的思想,提出了一种基于遗传算法和k-means算法的混合聚类方法,为了测试该聚类算法的性能,用k-means算法和改进的算法进行了1组实验,并对2种算法的聚类结果进行比较,实验结果表明算法能够有效地解决聚类问题.

初始中心优化的K-Means聚类算法

1.引言 聚类分析(clustering)是人工智能研究的重要领域.聚类方法被广泛研究并应用于机器学习、统计分析、模式识别以及数据库数据挖掘与知识发现等不同的领域.

基于组合优化方法的K-means聚类算法实现

针对标准遗传算法用于K-means优化聚类存在的问题,提出了一种基于组合优化方法的K-means聚类算法.实验结果表明:基于组合优化方法的K-means优化聚类算法效率较高,结果较好.

基因表达式编程和K-Means融合的雷达信号分选

为了解决聚类算法需要较多的先验知识,不能自动进行聚类的问题,提出了基因表达式编程和K-Means融合的雷达信号分选算法。从介绍基因表达式编程和K-Means聚类算法的特点出发,针对雷达信号的实际情况,对两种算法进行了优化融合,并通过模拟雷达辐射源数据进行了仿真验证,仿真结果表明该算法在不需要任何雷达辐射源先验知识的情况下即可自动完成聚类分选,具有98.3%的聚类分选精度和较快的收敛速度,其较高的分选精度在电子情报侦察系统上有着广阔的应用前景。

基于混合并行遗传算法的文本聚类研究

针对传统K-Means聚类算法对初始聚类中心的选择敏感,易陷入局部最优解的问题,提出一种基于混合并行遗传算法的文本聚类方法。该方法首先将文档集合表示成向量空间模型,并在文档向量中随机选择初始聚类中心形成染色体,然后结合K-Means算法的高效性和并行遗传算法的全局优化能力,通过种群内的遗传、变异和种群间的并行进化、联姻,有效地避免了局部最优解的出现。实验表明该算法相对于K-Means算法、简单遗传算法等文本聚类方法具有更高的精确度和全局寻优能力。

双层多目标遗传算法及应用

为解决工程应用中的多目标优化问题,提出一种双层多目标遗传算法(two-layer multi-objective genetic algorithm,TLMOGA)。该算法根据个体间的支配关系将种群分成2层,并分别采用快速k最邻近算法和净强度函数法为这2层中的个体分配适应度。在此基础上,设计相应的个体排序和种群修剪策略,并确定了算法的整体流程。通过与传统多目标遗传算法进行比较,证明TLMOGA能够很好地保持解的收敛性和分布性,同时也具有较高的运算效率。最后,以ALSTOM气化炉基准控制器的参数优化整定为工程应用实例,进一步验证TLMOGA的有效性。仿真试验的结果表明,经优化后的控制系统,控制品质有了显著提高,达到了ALSTOM气化炉基准测试的要求。

考虑道路坡度影响的多约束冷链配送问题研究

目的为改进传统冷链VRP将配送区域默认为二维平面,使得实际调度与理想状态产生差异而造成配送成本增加的问题,本文对相关问题进行深入研究,旨在合理规划资源配置,提升企业经济效益。方法通过引入坡度函数对油耗成本和碳排放成本进行计算,综合考虑三维空间位置、多车型、载质量变化、客户取送货需求和时间窗要求等多种现实约束,并提出一种基于K–means多维时空聚类的改进遗传算法进行求解。结果求解结果表明,若最初将道路坡度考虑在成本计算内,可有效降低9.58%的配送成本。同时,应避免大型车辆在重载时突然发生海拔变化。当发生海拔变化时,大型车辆可在卸载一部分货物后改变至更高的高度。结论本文研究的模型更加贴近实际路网,具有更高的适用性,特别是对有明显道路坡度城市的冷链品的配送具有现实的借鉴意义。

面向电子商务的协同配送路线优化研究

电子商务环境下的协同配送具有客户位置分散、订单多、批量小和重复线路多的特点,传统的线路优化方法都在不同程度上遇到各种问题,难以有效。因此,针对电子商务环境下的配送特殊性,采用改进两阶段算法进行求解:第一阶段用K-means聚类法将客户群分成若干区域,在每个区域又用扫描算法分解成若干符合约束条件的小规模子集;第二个阶段对各个分组内的客户点,就是一个个单独的TSP模型的线路优化问题,采用改进遗传算法进行优化求解。最后,结合具体实例,实验证明该改进算法的有效性。