基于遗传改进蚁群聚类算法的电力客户价值评价

对电力客户价值进行评价是供电企业优化服务资源配置的重要步骤。分析了蚁群聚类算法,并针对蚁群聚类算法进行评价时参数组合设置盲目性、收敛速度慢、容易陷入局部收敛的缺点,提出了运用遗传算法改进蚁群聚类算法评价电力客户价值的新方法。该新方法利用遗传算法对蚁群聚类算法的参数进行优化,进而再对电力客户价值进行聚类评价。通过实例验证表明,该新方法聚类性能有较大的提升,能够提升收敛速度和避免陷入局部收敛,并且减少了聚类评价时的主观因素,其具有准确、高效、实用等优点。最后,运用该新方法对某市供电公司的10个工业客户进行了评价,总结了不同类别电力客户的特点,对供电企业如何优化服务资源提出了建议。

基于蚁群聚类算法的RBF神经网络在压力传感器中的应用

针对压力传感器在应用中存在温度漂移这一缺点,提出了一种基于蚁群聚类算法的RBF(Radial Basis Function)神经网络温度补偿方法。利用蚁群算法的并行寻优特征和一种自适应调整挥发系数的方法作为聚类算法来确定RBF神经网络的基函数的位置,并通过裁减的方法约简隐层的神经元达到简化网络结构的目的。通过仿真可以看出,该算法具有误差小,精度高等优点,对压力传感器的温度漂移有较好的补偿效果。

蚁群聚类算法研究及应用

聚类作为数据挖掘技术的重要组成部分,在很多领域有着广泛应用。蚁群算法是近几年研究的一种新算法,该算法采用分布式并行计算和正反馈机制,具有易于与其它方法相结合的优点。根据蚁群算法在聚类中的应用及改进型式的不同,文章主要介绍了几种基本的流行的蚁群聚类算法,分析了它们的不同之处,并对蚁群聚类算法今后的研究方向作了展望。

基于蚁群聚类算法的板式定制家具订单聚类分析

为研究在定制家具分批生产之前的订单聚类问题,根据不同订单的信息,选取对定制家具排产影响较大的订单特征,将订单文本向量化,计算家具订单之间的相似度。利用蚁群算法的状态转移规则,通过聚类数目未知的蚁群算法将订单类别进行归并,以聚类完成后所有类别的材料种类总数最少为目标。通过仿真试验将其与聚类数目已知的蚁群聚类算法和K-means算法聚类结果进行比较,结果表明:相对于上述两种聚类算法,在定制家具订单聚类问题研究中,本文研究的算法聚类效果更好。

改进的蚁群聚类算法及在多属性大群体决策中的应用

多属性复杂大群体决策中,对决策人员的决策结果进行有效地聚类,是分析以及完成群体决策的基础。针对蚁群聚类算法参数选取复杂、自适应性差以及随机性等缺点,提出了一种改进的蚁群聚类算法,该算法将决策群体成员对决策问题的若干个评价准则值转化成偏好矢量,以偏好矢量相聚度作为邻域相似度的计算公式,形成一个启发式聚类算法。通过一个算例计算说明该算法具有聚类质量高、自组织和鲁棒性的特点,适用于解决多属性复杂大群体聚类与决策问题。

蚁群聚类算法在煤矿安全评价人因事故分析中的应用

详细分析了煤矿安全人因事故中的主导因素,应用蚁群聚类算法从职工素质、组织管理、心理及生理因素和工作环境4个方面进行聚类分析,建立了对煤矿生产中影响较大的人因事故主导因素分类模式,仿真实验表明,管理因素是煤矿人因事故中的关键因素,并有针对性地给出相应防范措施.

基于蚁群聚类算法的大规模定制产品模块划分研究

为了解决面向大规模定制生产中产品模块划分问题,提出了一种基于蚁群聚类算法的模块划分方法。以零件间在物理或功能上的相关度作为划分模块的主要依据,利用零件的指标特征值建立相关度评价模糊关系矩阵,然后应用蚁群聚类算法得到产品模块的划分方案,最后通过实例说明了该方法的有效性。

自适应K值的粒子群聚类算法

传统K-means算法除了对初始聚类中心的选择非常敏感,易收敛到局部最优解外,还存在着K值难以确定的问题,不合适的K值往往会得到较差的聚类结果。而K值问题也是聚类分析中的一个重要的研究方向,在粒子群聚类算法的基础上,结合K-means算法,提出了自适应K值的粒子群聚类算法。当算法收敛时,可通过比较不同K值时全局最优适应度值之间的关系来决定K值的增大与减小。实验表明改进的算法可以有效指导K值的选取,并且具有较好的聚类效果。

不确定近似骨架蚁群聚类算法在滑坡危险性预测中的研究与应用

受不确定因素降雨难以准确处理的制约以及蚁群聚类算法在搜索空间容易陷入局部最优解和搜索速度慢的特征影响,为了提高滑坡危险性预测的精度,提出一种不确定近似骨架蚁群聚类算法。首先采用Gauss点概率模型来描述不确定数据,对不确定数据进行相似性度量;其次引入信息素重分配和自适应动态变量实现蚁群聚类算法局部信息素和全局信息素更新,提高蚁群聚类算法搜索速度,加载遗传算法避免蚁群聚类算法过早陷入局部最优;最后结合近似骨架理论,构建不确定近似骨架蚁群聚类算法模型,缩减迭代次数,快速搜索出聚类结果。在UCI真实数据集和延安宝塔区滑坡实验数据集上的实验结果显示,不确定近似骨架蚁群聚类算法具有较高的聚类质量,预测精度达到93.3%,验证了算法在滑坡危险性预测中的可行性。

一种改进的K-means蚁群聚类算法

现有的K-means蚁群聚类算法,首先进行K-means聚类算法操作,快速、粗略地确定初始聚类中心,接着根据上一步获得的聚类中心再进行蚁群算法聚类操作,有效地解决蚁群聚类算法收敛速度过慢的问题。研究发现,现有的Kmeans蚁群聚类算法并没有改善算法在迭代后期易出现收敛于非全局最优的缺陷。针对这一问题,提出一种改进的Kmeans蚁群聚类算法。每次迭代结束时,随机选择一个或多个簇,再从选中的簇里选择含有信息素最小的节点进行变异操作,把选中的节点变异到其他簇,计算评价值判断变异是否进行。仿真实验结果表明,用F值表示的平均值和最差结果都比原有的算法较好,有效解决了原有算法易收敛于非全局最优及早熟问题,但由于变异操作使算法运行时间相对较长。

基于蚁群聚类算法的岩爆预测研究

由于岩爆是深部地下工程常见的一种重大工程灾害,因此,岩爆预测研究具有重大的现实意义。岩爆影响因素众多且关系复杂,不能用简单的方法进行分析判断,一般在工程类比的基础上,采用聚类的方法进行。但由于岩爆问题环境的复杂性,岩爆预测的聚类问题是一个复杂的模糊、随机优化问题,采用传统方法难免带来很多局限性。为了更好地解决这类问题,首次把蚁群聚类算法这种新近提出的仿生聚类算法引入岩爆研究领域,以解决其预测问题,提出一种岩爆预测的新方法。该方法在分析岩爆实例资料的基础上,采用蚁群聚类算法,以工程类比的思想判断岩爆的发生状态。两个工程应用实例证明,该算法可以自动把岩爆事件分成几种类似的状态,判断准确率较高,计算速度较快,是一种比较实用的岩爆预测新方法,值得在岩石地下工程研究领域推广应用。

一种改进的蚁群聚类算法在客户细分中的应用

分析了输入参数对算法聚类效果的影响,针对传统的蚁群聚类算法中参数设置依赖于经验的指导以及蚂蚁移动随机性大等问题,提出了一种改进的自适应蚁群聚类算法,算法中引入了自适应策略函数,通过设置相似度阈值,动态调整蚂蚁的运动状态,降低蚂蚁移动的随机性.将改进算法应用于客户细分,并将结果与K均值聚类算法进行了比较,实验结果表明:改进后的算法在迭代次数上更少,算法的收敛速度更快,识别客户的正确率更高.

基于蚁群聚类算法的岩石边坡稳定性分析

由于岩石边坡影响因素众多且关系复杂,不能用简单的方法进行分析和判断。在工程类比的基础上,一般采用聚类的方法。但由于边坡工程问题环境的复杂性,岩石边坡稳定分析的聚类问题是一个复杂的模糊、随机优化问题,采用传统方法难免带来很多局限性。为了更好地解决这类问题,首次把蚁群聚类算法这种新近提出的仿生聚类算法引入岩石边坡工程领域,以解决其稳定分析问题,提出一种分析岩石边坡稳定问题的新方法。该方法在分析岩石边坡工程实例资料的基础上,采用蚁群聚类算法,以工程类比的思想判断岩石边坡的稳定状态。工程应用证明,该算法可以自动把岩石边坡分成几种类似的状态,判断准确率较高、计算速度较快,是一种比较实用的岩石边坡稳定分析方法,值得在岩石边坡分析领域推广应用。

基于蚁群聚类算法的SVM半监督式训练方法

传统支持向量机在处理包含大量未知类别样本的训练集时性能较差。针对这一不足,在少量已知类别样本和大量未知类别样本构成的训练集上,提出一种基于蚁群聚类算法的支持向量机半监督式学习方法。该方法应用蚁群聚类算法进行聚类分析,实现了同类样本的自组织聚类;通过一个递归的类别判定算法,回收样本类别;同时,提取各类簇之间靠得相对较近的边界样本组成精简训练集,以缩减训练集规模加快学习速度。实验表明,该算法能够自适应样本类别分布,有较高的分类精度和泛化能力。

基于蚁群聚类算法的非线性系统辨识

基于T-S模型提出一种非线性系统的模型辨识方法.利用蚁群聚类算法进行结构辨识,确定系统的模糊空间和模糊规则数.在聚类的基础上,利用遗传算法辨识模糊模型的后件加权参数,得到一个精确的模糊模型,从而实现了参数辨识.仿真结果验证了所提出方法的有效性,表明该方法能够实现非线性系统的辨识,而且辨识精度较高.

深部地下工程岩爆预测的筛选蚁群聚类算法

为了提高仿生聚类算法的计算效率,对传统的蚁群聚类算法进行改进,采用数据合并机制提出了一种筛选蚁群聚类算法。采用筛选蚁群聚类算法,在岩爆工程实例资料分析的基础上,基于工程类比的思想判断岩爆的发生状态,提出了一种深部地下工程岩爆预测的新方法。通过多个煤矿深部地下工程岩爆实例的应用研究证明,和传统的蚁群聚类算法相比,在不显著增加计算难度和复杂度的情况下,新算法对工程实例的判断准确率更高,其准确率达92%,计算效果更好;而且,计算速度有较大幅度的提高,其计算时间缩短近40%,说明新算法的计算效率更高。因此,筛选蚁群聚类算法是一种比较实用的岩爆预测新方法,值得在深部地下工程岩爆研究领域推广应用。

蚁群聚类算法的T-S模糊模型辨识

基于T-S模型,提出一种非线性系统的模型辨识方法。利用蚁群聚类算法来进行结构辨识,确定系统的模糊空间和模糊规则数。在聚类的基础上,利用遗传算法辨识模糊模型的后件加权参数,得到一个精确的模糊模型,从而实现参数辨识。仿真结果验证了该方法的有效性,表明该方法能够实现非线性系统的辨识,辨识精度高,可当作复杂系统建模的一种有效手段。

一种基于流形的蚁群聚类算法

在介绍了基于信息熵的蚁群聚类算法以及流形学习的方法的基础上,将基于动态切空间排列的流形学习方法与该蚁群聚类算法相结合,给出了一种聚类算法的新思路,并在城市规划布局问题中做了仿真实验,提高了算法的收敛速度。

蚁群聚类算法在高职院校教学评价系统中的应用研究

教学评价在高职院校教学管理中起到一个非常重要的作用,如何将蚁群聚类算法应用其中,从大量数据中找到有用于教学的信息至关重要.本论文基于学生评价的蚁群聚类算法应用以及详细分析过程,最终得出的结果对高职院校教学管理具有一定的理论指导作用.

基于粒子群聚类算法的雷达信号分选

在电子对抗领域,雷达信号分选的研究是一个重要课题。电子战的信号环境日趋复杂,雷达信号的处理面临高密度信号环境,雷达脉冲相互交错。对粒子群聚类算法进行了研究分析,把粒子群聚类算法应用到雷达分选中,仿真实验证明该方法能够得到很好的雷达信号分选效果,为雷达信号分选提供了新思路。