一种基于竞争型群体优化的数据聚类方法

数据聚类在智能信息处理中具有非常重要的作用。传统的数据聚类方法,如K-means算法,存在对初始聚类中心敏感等问题。随着智能优化算法的发展,人们用智能优化算法进行数据聚类取得了一定的效果,但存在容易陷入局部最优等问题。为此,本文将在高维优化问题中取得良好效果的竞争型群体优化算法中引入数据聚类,利用竞争型群体优化算法强大的全局探索能力搜索聚类中心进行数据聚类,在UCI的5个数据集上的实验结果表明竞争型群体优化算法比遗传算法、粒子群算法不仅能得到更好的聚类效果,而且收敛性能更好。

基于群体协同优化的高清图像前景遮罩提取算法

高清图像(高分辨率图像)前景遮罩提取问题是图像合成、自动前景提取等图像处理领域的热点难题,其本质是前景背景像素对的大规模组合优化问题,目前相关研究成果较少.本文针对问题维度过高难以直接求解这一问题,设计了基于RGB聚类的多类协同优化策略,以实现决策空间的有效降维;给出协同目标反馈的分组优化策略,通过将协同目标中的最优前景背景像素对作为启发式信息反馈给每个分组,实现大规模组合优化问题的分组协同求解.在分组优化策略的基础上,论文提出了基于分组协同的群体竞争优化算法(competitive swarm optimization algorithm based on group collaboration,GC-CSO),为高维优化问题分析提供了借鉴.为了验证所提方法的有效性,本文选用alpha matting基准数据集作为测试数据,通过与群体竞争优化算法、典型带分组策略的大规模优化算法进行对比分析,验证了:(1)基于RGB聚类的协同优化策略可以显著地降低问题维度;(2) GC-CSO算法提高了高清图像前景遮罩的提取精度.