基于聚类排挤小生境遗传算法的配电网无功规划研究

针对应用传统排挤小生境遗传算法进行无功规划时,小生境数目设定值的不同会导致寻优结果波动性较大的情况,将聚类分析和排挤小生境遗传算法相结合应用于配电网无功规划。建立了以收益净现值为目标函数的数学模型,该模型更直观地反映了补偿方案的降损节能收益能力;利用聚类排挤小生境遗传算法对配电网进行无功规划,通过调整聚类距离控制收敛到的小生境数目,提高了算法的全局寻优能力和解的稳定性;采用面向对象的Visual 2005C#高级语言开发编制了配电网无功规划计算程序。实例分析表明所提算法收敛速度快,全局寻优能力强,计算结果稳定高,具有更高的实用性。

一种基于小生境遗传算法的中文文本聚类新方法

针对传统c-均值等算法在文本聚类中的缺陷,提出了一种基于小生境遗传算法的中文文本聚类新方法,将文本集的聚类问题转化为多峰函数的优化问题。以多峰函数的峰值代表文本的聚类中心,聚类的数目不必预先给定。描述了该聚类方法实现文本聚类时适应值函数的构造方法以及小生境半径的动态估计方法。实验结果表明,该方法提高了文本聚类的平均准确率。

基于粗糙集和小生境遗传算法的层次聚类算法

目前大部分聚类算法都面向数值属性,针对符号属性的则比较少。提出了一种新的聚类算法RNGADHCA,该算法将基于共享机制的小生境遗传算法运用到分裂式层次聚类算法中,并用粗糙集的思想来定义遗传算法的适应度函数,实验表明,该算法在面向符号属性进行聚类时能取得较好的聚类效果。

可拓聚类适应度共享小生境遗传算法研究

针对遗传算法易陷入早熟收敛和全局搜索能力差等缺点,提出一种基于可拓理论的小生境遗传算法.算法首先构造了遗传编码物元和可拓遗传算子,然后通过可拓聚类方法实现小生境群体的划分,结合适应度共享技术和聚类代表个体保存策略,维持稳定多样的小生境.仿真实验表明,该算法能可靠、快速地收敛到全局最优解,有效避免早熟收敛,其收敛速度和求解精度均优于简单遗传算法和常规小生境算法.

基于小生境混合遗传算法的文本特征词聚类研究

提出一种基于小生境混合遗传算法的文本特征词聚类方法。该方法首先采用贝叶斯语义模型对语料库进行统计分析,并以K-L距离度量特征词间的距离,然后将小生境遗传算法与K-Means算法相结合,对文本特征词进行聚类,为文本特征词聚类提供了较高的效率和精确度。实验表明该方法是一种高效可行的文本特征词聚类方法。

基于小生境遗传禁忌的粗糙聚类分析算法

K-Means算法对于初始中心点敏感,容易受到噪声干扰,无法处理非确定性问题等缺陷,且其改进遗传K-Means容易陷入到局部最优解中,粗糙聚类算法虽提升了算法对于不确定性问题的分析能力,但其仍有较大的提升空间。为此,提出将遗传算法与粗糙集理论结合起来,引入小生境和禁忌算法的思想,在计算数据集合的各个中心点时,采用遗传算法计算各个类别的粗糙均值点,遗传算法中的选择运算采用小生境技术,将禁忌算法作为变异算子。通过对4组UCI数据集的实验分析与比较,表明了所提算法具有更好的求解质量。

小生境排挤聚类算法

A new clustering algorithm is proposed in this paper, which is based on crowding niche. Homogeneityspontaneous to withstands heterogeneity when organisms are evolving. Contemporary, Individual in same class com-pete each other to strive for limited resource. Individual that has bad fitness will be eliminated. We propose a cluster-ing algorithm based on this idea. Experiment evaluation has proved its efficiency.

一种改进的小生境遗传聚类算法

传统的遗传算法具有早熟收敛和后期收敛速度慢的缺点,采用改进的小生境技术解决这一问题,同时根据具体问题改进了遗传算子,并将改进后的小生境遗传算法应用于聚类挖掘中。由于聚类挖掘算法中的K-means算法对初始值K的选取敏感,选取值的不同会导致聚类结果的不同,很容易陷入局部最优,使得聚类结果很差。因此,将改进的小生境遗传算法和K-means算法相结合,得出一种改进的小生境遗传聚类算法。验证表明优该算法对提高聚类分析质量是有效的。

基于自适应K均值聚类的小生境遗传算法

在自适应小生境遗传算法的基础上,该文提出自适应K—均值聚类适应值共享小生境遗传算法。这种算法将聚类分析、自适应技术有机地结合起来,并且对于通常的K——均值聚类方法做了改进,即引进了一个最小聚类距离,通过调节最小聚类距离控制收敛到的小生境的数目,避免找到无效的极值点。这种算法不仅无需事先确定生境的具体数目和生境半径的大小,而且计算量小,搜索效率较高。

基于改进小生境遗传算法的电力系统无功优化

针对电力系统无功优化问题,提出一种改进小生境遗传算法来克服小生境遗传算法中小生境难以确定的不足,改善遗传算法容易陷入局部收敛和早熟的缺点。通过模糊动态聚类分析方法实现小生境群体的划分,然后利用适应度共享技术对小生境内个体适应度进行调整,以提高全局寻优能力。提出和运用隔代小生境共享机制、最优个体邻域搜索及保留策略等以提高算法的计算速度和收敛速度。通过对IEEE 57节点测试系统进行无功优化计算及结果分析,说明所提出算法的全局搜索能力强、效率高,能得到较好的结果。

新的混合小生境鱼群聚类算法

针对K-Means算法对于初始k值较敏感和容易过早收敛的问题,提出基于人工鱼群机制的K-Means聚类算法(NAFS)。首先,利用先验知识随机产生待求解问题的若干个聚类中心,组成一个鱼群环境;其次,利用鱼群个体的协作、竞争机制寻找满意的结果。鉴于人工鱼群算法后期容易陷入局部最优,根据鱼群聚集度引入小生境算法,改善种群的多样性,提高了算法的求解精度。在KDDCUP99数据集上的实验结果表明,该算法具有较高的聚类精度,适用于高维数据的聚类问题。

基于小生境遗传算法的网格节点资源研究

针对解决网格节点资源聚类问题,提出了基于小生镜遗传算法的模糊聚类分析方法。该算法把小生镜遗传算法搜索的随机性和并行性引入模糊聚类中,对模糊聚类中的聚类中心的个数和聚类中心的选取进行指导,解决了模糊C-均值聚类对初始聚类中心的敏感性问题。实验证明该方法能具有全局收敛性,克服了FCM算法可能陷入局部极小值,并有效地对网格节点资源整合归类,从而改善网格节点资源发现的性能。

小生境遗传算法研究进展

结合对遗传算法的研究,介绍了遗传算法的基本原理和特点、物种形成和小生境技术,详细陈述上世纪80年代以来的各种小生境实现方法,包括共享函数法、确定性排挤法、可变半径的聚类算法和隔离小生境方法等;最后对小生境遗传算法的工程应用提出了展望.

基于改进遗传算法的模糊聚类研究及应用

模糊C-均值聚类算法是一种局部搜索算法,采用迭代的爬山技术,对初值敏感易陷入局部最小值。遗传算法是一种全局优化算法,能够克服模糊C-均值聚类算法陷入局部最小值的问题,但遗传算法收敛速度慢,易早熟。应用小生境思想对遗传算法进行了改进,以保护种群中基因的多样性,设计了基于最短距离的算术交叉算子、边界变异算子及双精英种子参与进化的策略。仿真实验结果表明,改进后的算法能够提高模糊聚类的收敛速度和聚类质量。

考虑差异化负荷特性的基于改进遗传算法的供电可靠性分析

针对现有大多数供电可靠性分析模型未考虑负荷特征的问题,提出了一种基于改进遗传算法的可靠性分析模型.该模型利用模糊C均值聚类算法提取负荷特征并对其进行分类,并根据负荷差异性计算耦合度用于量化负荷匹配程度.同时,利用小生境技术改进的遗传算法求解供电可靠性最大化的问题模型,从而得到最佳的负荷调度方案.基于构建的区域电网平台对所提模型进行的实验结果表明,其综合评价值达到了96.189,且各个指标均较为理想.

基于遗传k均值聚类算法在品种分析的应用

本文提出采用实数编码方式对聚类的中心矩阵进行编码,通过数组变换将染色体与相应聚类中心的数组进行匹配,通过轮赌选择和自适应的交叉、变异操作及均值小生境的种群优化对聚类中心的编码进行更新迭代,最终得到稳态的聚类误差函数和划分效果最好的聚类中心。然后通过对某实验基地的品种实验进行分析、比较,所分析的结果误差函数显示,RINGAKMEANS改进的聚类效果明显优于传统的KMEANS方法及SGA-KMEANS方法的聚类效果。

基于特征权重的遗传聚类方法

本文提出的聚类方法与通常的分区聚类方法区别在于 :( 1 )从遗传算法角度考虑聚类问题 ;( 2 )在特征权重基础上构造个体适应度函数 ,通常的聚类方法没有考虑特征对分类的不同影响 ;( 3)用基于罚函数的小生境遗传算法处理聚类问题 ,最大限度地保证搜索到全局最优解和所有局部最优解。

基于遗传聚类的一种故障诊断方法

把遗传算法引入聚类分析,把对类中心的优化转化成对遗传个体编码串的搜索.算法不但对初始化条件无特殊要求,而且由于引入小生境淘汰算法,既有效防止了算法早熟,又可能搜索到包括局部和整体在内的所有最优解.对液体火箭发动机仿真故障数据聚类试算表明,该算法对高维故障数据的聚类分析有良好的效果.

遗传K均值方法在品种资源分类中的应用

采用实数编码方式,对聚类的中心矩阵进行编码,通过数组变换将染色体与相应聚类中心的数组进行匹配,通过轮赌选择和自适应的交叉、变异操作及均值小生境的种群优化对聚类中心的编码进行更新迭代,最终得到稳态的聚类误差函数和划分效果最好的聚类中心.然后通过对某基地的甘蔗品种进行分析、比较,分析的误差函数结果显示,RingaK-Means改进的聚类效果明显优于传统的K-Means方法及Sga-K-Means方法的聚类效果.

基于聚类的伪并行遗传算法

针对遗传算法中存在的早熟收敛和后期收敛速度慢的问题,分析传统的小生境遗传算法和多种群遗传算法的特点和不足,提出基于聚类的伪并行遗传算法.当种群进化到一定程度后,进行聚类分析.在各个聚类内部,利用局部搜索算法获得极值点.其余未分类个体与聚类代表元按照小生境技术进一步搜索,从而获得较好的全局探索能力.从理论上证明该算法的收敛性.采用典型函数进行实例计算,并与杰出保留遗传算法、确定性排挤遗传算法和传统的多种群遗传算法的性能进行比较,结果表明本文算法的有效性.