一种基于混沌的聚类粒子群求解非线性方程组的优化算法

从非线性方程组及其函数优化问题的角度出发,提出了一种基于混沌的聚类粒子群优化算法。通过混沌优化方法、谱系聚类法和粒子群的更新构成改进后的粒子群优化算法,极大的提高了求解的稳定性和精确性。

基于遗传粒子群动态聚类算法的物流柔性分拣系统品规分配

目的针对目前烟草物流配送中心条烟分拣量大,不同条烟品规的分配对订单的总处理时间影响较大的问题,研究平衡各个分拣区品规的分配,提高分拣效率。方法建立以各分区品规相似系数和最小为目标函数的数学模型,并采用改进的遗传粒子群动态聚类(GAPSO-K)算法进行求解。首先,结合各品规分拣量对品规相似系数进行改进,并将其作为适应度函数;然后在粒子群算法中对惯性权重因子进行改进,使其值可以进行自适应改变;最后,在粒子群动态聚类算法中引入遗传算法中的交叉变异扩大解的搜索范围,基于Matlab对文中的其他算法进行求解对比,求得结果在EM-plant中进行仿真验证。结果结合某烟草物流配送中心数据仿真验证,利用GAPSO-K算法处理订单的时间为234.5 s,较传统时间大幅度较少,有效提升了柔性物流分拣效率。结论采用该算法可充分发挥2种算法的优良性,具有更好的收敛性及寻优性,为柔性物流品规分配提供了新思路。

基于粒子群K均值聚类算法的电梯交通模式识别

针对传统方法存在的缺点,提出一种基于粒子群K均值聚类算法的电梯交通模式识别方法.该方法通过对此前一周的原始客流数据进行聚类分析,得到相应交通模式的聚类中心坐标.针对实时变化的交通流数据,采集5min时段客流数据,根据最近邻原则划分其归属的聚类中心,从而识别出当前的交通模式.仿真实验表明,该方法能对电梯交通模式进行有效识别,实时性较好.

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。

基于粒子群聚类偏移的地理位置不可区分

针对利用虚假噪声应对统计攻击时可被攻击者识别的问题,对差分隐私保护模型展开研究,提出了一种基于粒子群聚类,通过真实用户位置偏移实现地理位置不可区分的隐私保护方法。该方法通过当前区域内匿名用户按照粒子群聚类的方式各自偏移,满足广义差分隐私模型的基本要求,实现地理位置不可区分。最后,通过模拟实验与同类满足广义差分隐私模型的算法进行对比分析,进一步证实了所提出的算法的执行效率和隐私安全。由此,可认为该方法具有更好的实用价值,更易部署在当前应用环境。

粒子群模糊聚类方法在病理图像分类中的应用

结合模糊C均值(FCM)算法局部搜索的特点,将PSO优化聚类结果作为后续FCM算法的初始值,使算法有很强的全局搜索能力。同时,采用Markov随机场与模糊聚类的耦合策略计算适应度函数,利用新的分类中心调整粒子位置,产生新的聚类中心,并将该方法应用于病理图像的分割。与传统的处理方法进行了比较,结果表明,该聚类更为准确且对病理图像的分割效果比原算法效果更好,但对于如何减少算法的运算量仍需作深入研究。

基于粒子群聚类优化的分簇路由算法

为延长无线传感器网络的生命周期,给出一种基于粒子群聚类优化的分簇路由算法。根据网络内存活节点的数目确定最优簇首数,将能量均方误差引入粒子群聚类算法的适应度函数中,以此改进粒子群聚类算法,并利用改进后的粒子群聚类算法对整个网络进行能量均衡化分簇。基于节点的剩余能量、节点与基站的距离以及簇首节点到簇内其他成员节点的平均距离等因素,评选簇内最优簇头。在100m×100m区域内撒播100个传感器节点进行仿真实验,结果表明,与低功耗自适应集簇分层协议算法相比,改进算法的首个节点死亡时间可延长34.04%,有效节点死亡时间可延长12.12%。

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。

基于粒子群优化的模糊C均值聚类算法

针对模糊C均值聚类算法(FCM)存在对初始聚类中心敏感,易陷入局部最优解的不足,将改进的粒子群聚类算法与FCM算法相结合,提出了一种基于粒子群优化的模糊C均值聚类算法。该算法对粒子群初始化空间及粒子移动最大速度进行优化,同时引入环形拓扑结构邻域,提高粒子群聚类算法的全局搜索能力。对UCI中3个数据集进行仿真实验,结果表明提出的基于粒子群优化的模糊C均值聚类算法相比FCM算法和基本粒子群聚类算法具有更好的聚类效率和准确性。

一种新的自组织粒子群聚类算法

针对粒子群优化(PSO)算法复杂度偏高的问题,提出一种新的基于竞争学习的自组织粒子群聚类(SOPSC)算法。该算法采用每个粒子代表一个聚类中心的编码方法,通过借鉴自组织映射(SOM)算法的竞争学习机制,采用类内相似度和类间相异度作为指导,使粒子进行自组织飞行,从而达到自动聚类的目的,克服了传统粒子群聚类算法中粒子编码复杂、算法复杂度偏高的缺点。实验证明,该算法聚类精度高、稳定性好,且对初始值和参数不敏感。

粒子群优化模糊聚类算法在煤气鼓风机组振动故障诊断的应用

针对模糊C均值聚类算法容易陷入局部极值和对初始值敏感的缺点,提出了一种粒子群优化模糊聚类算法,该算法利用粒子群优化算法寻找最优聚类中心,运用WFCM进行加权模糊聚类,能较大提高聚类的有效性;将该算法应用于煤气鼓风机组振动故障诊断中进行诊断仿真,结果表明:该算法较大提高了故障诊断的正确率。

组合聚类和深度学习模型的风电场群风速预测

为提高规模化风电场群的风速预测精度,进而保障中国电网的安全稳定运行,提出了一种基于粒子群-投影寻踪聚类算法结合NS-L-Transformer的风电场群短期风速混合预测模型。首先,通过变分模态分解、去伪分量和小波变换的方法对采集的风速数据集进行处理,得到滤除噪声干扰后的风速数据集。其次,考虑风电场群间的风速空间关联特性,根据其风速波动特征,采用粒子群-投影寻踪聚类算法分析了风电场群间的空间相关性,根据算法所得到的评价指标对风电场群进行了场群关联性最优分类,并构造了分类后的高维风速数据集。最后,通过Transformer模型的自注意力机制结合LSTM模型的门控单元机制捕捉风速时间序列的局部特征,提出了NS-L-Transformer模型对所构造的具有局部特性的高维风速数据集进行了风速预测。选用中国东南某地区风电场群的风速数据进行了仿真分析,研究结果表明,采用分类后的高维数据集进行风速预测较单一风速数据集的预测精度有较大的提升;相较于Transformer模型,NS-L-Transformer的预测误差减少,从而验证了本研究所提混合预测模型的有效性。

基于粒子群聚类算法的模糊神经网络建模方法研究

针对复杂系统建模过程中出现的输入输出维数高和规则提取困难等问题,引入模式辨识理论体系中的聚类分析思想,提出了基于粒子群聚类提取样本数据模糊规则的方法.利用粒子群聚类自适应地分析样本聚类中心和聚类数,获得模糊推理规则和隶属度函数个数,结合该方法的特点,建立了一种基于粒子群聚类的模糊神经网络结构.采用模糊RBF算法进行网络训练,调整隶属度函数参数和连接权值,完成网络参数辨识.仿真实例表明,该方法适合复杂系统的建模,具有辨识精度高、收敛速度快和规则自提取的优点,对系统建模具有一定指导意义.

基于粒子群聚类算法的小电流接地系统故障定位方法研究

提出一种基于粒子群聚类算法的小电流故障定位方法,该方法利用小波包变换对故障后的各线路段监测的数据进行计算,提取故障特征量,采用粒子群聚类算法对各特征量进行聚类分析,有效识别出故障区段和非故障区段。经大量试验仿真证明,该方法可以有效提高故障区段判断的正确率,适应未来配电网发展需求。

一种混合粒子群优化模型的Web聚类方法

通过分析在电子商务环境下Web挖掘的现状,考虑到Web数据的海量性和高维度性对抽取隐含的、事先未知的知识所带来的复杂性和维数灾,在普通K均值聚类、PSO聚类和K均值与PSO混合聚类算法的基础上,提出了一种将主成分分析与PSO混合聚类算法相结合的模型来对Web服务器中的日志文件进行聚类分析,将抽取的相关Web数据进行主成分分析,分析结果作为PSO混合聚类算法的输入数据,这样不仅减少了输入变量的维数,减少聚类的规模,而且保留了原始变量的主要信息,消除变量之间的多重共线性,为具有海量性、高维度性、异构性等特点的Web数据聚类提供一种有效的模型方法。

基于优化粒子群K-means聚类算法在风功率预测中的应用

由于风的间隙性、随机性、波动性很大,为了提高电网运行稳定性,有必要进行风功率预测。由于风电机组在实际当中运行受地理环境因素的限制,所以传统风电场建模进行风功率预测的方法不再适用,而通过K-means聚类算法求取风电机组的风速-功率曲线虽然准确性有所提高,但由于k-means聚类中心随机选择,仍然存在很多缺陷。本文提出利用优化粒子群的K-means聚类算法进行风功率预测,通过仿真结果验证了利用优化粒子群的K-means聚类算法进行风功率预测的准确性要比传统的方法以及K-means聚类算法的准确性高。

用子空间粒子群聚类算法识别Folksonomy标签冗余的研究

Web2.0标签系统中经常包含很多冗余的标签,标签冗余会增加用户选择喜好项目时的负担,从而影响用户建模和对推荐系统的评估。标签数据集通常存在着大量不相关或是冗余的特征,而不同簇之间的相关特征子集又是不一样的,所以应该从不同的特征子集中来发现簇。提出使用子空间粒子群聚类识别标签冗余,算法采用指数型变权类似K-means的目标函数,该函数对变量权值的改变更加敏感。在此基础上利用粒子群优化目标函数搜寻得到全局最优的标签聚类,提高抽取冗余标签的准确度。实验结果表明,此算法具有较强的全局搜索能力,应用于标签冗余识别获得了更好的精度。

基于粒子群聚类的干扰信号分选方法

为了应对日益复杂的电磁环境,认知雷达的概念被引入电子战中。认知电子战系统通过对侦收到的环境信号进行特征提取和对干扰信号进行分选来识别干扰类型,同时采取有针对性的抗干扰措施,以提升抗干扰性能。针对复杂电磁环境提出干扰信号分选的想法,理论分析了粒子群算法和K-means聚类算法的优缺点,得到粒子群聚类算法具有全局寻优和快速收敛的特点。仿真分析验证了粒子群聚类算法用于干扰信号分选的有效性,为雷达对抗信息处理提供了新思路。

粒子群属性聚类的位置隐私保护

针对基于位置服务中连续查询情况下,用户自身属性信息很容易被攻击者获取,并通过关联获得用户位置隐私的情况,提出了一种利用粒子群聚类加速相似属性用户寻找,并由相似属性匿名实现用户位置泛化的隐私保护方法。该方法利用位置隐私保护中常用的可信中心服务器,通过对发送到中心服务器中的查询信息进行粒子群属性聚类,在聚类的过程中加速相似属性用户的寻找过程,由相似属性用户完成位置泛化,以此实现位置隐私保护。实验结果证明,这种基于粒子群属性聚类的隐私保护方法具有高于同类算法的隐私保护能力,以及更快的计算处理速度。

基于熵值赋权的粒子群聚类方法研究

本文通过获取和处理电商服装产品运营数据,提出基于熵值赋权的粒子群聚类方法对服装产品销售平台的支付转化率、访客数、详情页跳出率、平均停留时长、访客平均价值、客单价进行聚类,对比KMeans聚类和传统粒子群聚类算法的聚类结果,结果表明基于熵值赋权的粒子群聚类算法的平均聚类轮廓系数最大,即其聚类效果较其他两种算法更好。最后以聚成3类为例,对聚类结果进行运营管理分析,结果表明该算法可以处理庞大的电子商务数据信息,为电商企业的日常运营管理提供决策依据。