多车场车辆路径问题的新型聚类蚁群算法

在对多车场带时间窗的车辆路径问题进行详细阐述的基础上,以车辆运输总费用最少为目标函数,建立了问题的数学模型。提出了先采用聚类蚁群算法将多车场带时间窗的车辆路径问题分解为若干个单车场车辆路径问题,然后对各单车场问题应用改进蚁群算法进行优化的求解思路。最后通过一个实例将这种新型聚类蚁群算法与就近分配禁忌搜索算法和K-均值算法的优化能力进行了对比。试验结果表明,该算法对优化多车场带时间窗的车辆路径问题的求解结果是相当令人满意的。

基于聚类蚁群算法的动态无功优化

针对动态无功优化中需要限制电容器开关和有载分接开关(OLTC)分接头等离散控制设备动作次数要求,首先,提出离散控制设备无需动作时间概念,该方法统一考虑全天系统负荷变动情况,在保证离散控制设备动作效率基础上使全天动作次数满足要求。另外,将聚类方法与蚁群算法相融合提出聚类蚁群算法,该方法能够根据系统的变化,随时调整路径上的信息素更新浓度。最后,根据引出的路径多样性,可以防止因信息素的过度积累使算法早熟、减少算法搜索次数的优点,提出多时段间路径多样性的概念,以达到降低控制设备的动作次数。对IEEE 14节点和IEEE 30节点系统进行计算,结果验证了方法的可行性、正确性和有效性。

基于熵权的全局记忆LF蚁群聚类算法

针对LF蚁群聚类算法没有区分数据集属性重要度、算法效率低和聚类效果不稳定的问题,提出一种基于熵权的全局记忆LF算法(weighted global ant colony optimization,WGACO)。该算法首先通过熵权法计算各属性熵权,修改欧氏距离计算公式,以提升聚类精度;使用权重最大的属性值对数据对象进行初始化,增强聚类效果的稳定性;引入全局记忆矩阵减少蚂蚁的无效移动,提升算法效率;加入算法的收敛条件,提升算法实用性。选取UCI数据库中的7个真实数据集和3个人工生成的数据集进行数值实验,并与GMACO、SMACC、ILFACC三种改进LF的算法进行比较,实验结果表明,所提算法在精度、算法效率和稳定性上都有比较好的提升,在处理高维数据上也有较好的表现。最后,WGACO在商场会员用户细分上表现良好,体现了其实用价值。

大坝变形蚁群聚类径向基函数神经网络安全监控预测模型

本文研究了蚁群聚类法和径向基函数神经网络的基本原理,结合大坝变形安全监控的要求,探讨了大坝变形监测数据聚类处理方法,构建了径向基神经网络隐层基函数,由此表征了大坝变形规律的影响因素与变形之间的非线性映射关系.通过上述研究,建立了大坝变形蚁群聚类径向基函数神经网络(ACC-RBF)安全监控模型.实例分析表明,所提出的模型比传统的径向基神经网络模型预测精度更高.

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。

基于区域生长和蚁群聚类的图像分割

提出了一种基于区域生长和蚁群聚类的图像分割方法——BRGAC。该方法首先用区域生长法对图像作初始分割,然后利用蚁群算法搜索最优解的能力,在区域之间进行聚类合并,获得最终的分割结果。BRGAC算法不但克服了区域生长得不到有意义区域的不足,而且还大大提高了蚁群聚类算法的搜索时间,并利用初始分割后的空间信息和灰度信息定义了一种新的引导函数,可更准确有效引导蚁群聚类。实验结果表明,该方法可以准确地分割出目标,是一种有效的图像分割方法。

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。

基于分水岭变换和蚁群聚类的图像分割

针对传统分水岭分割算法对噪声敏感和易于产生过分割问题,提出一种新的基于分水岭和蚁群智能聚类的图像分割方法(CWAC,Combining watersheds and ant colony clustering)。CWAC方法首先用分水岭变换对图像做初分割,然后用蚁群方法在区域之间进行聚类合并,获得最终的分割结果。CWAC不但成功地解决了分水岭存在的过分割问题,还大大提高了蚁群聚类算法的搜索效率;本文利用分水岭变换后的灰度信息和空间信息,定义了一种新的引导函数,可更准确有效引导蚁群聚类。实验结果表明CWAC可以快速准确地分割出目标,是一种有效的图像分割方法。

基于蚁群聚类的入侵检测技术研究

针对现有的入侵检测对未知攻击检测率和误检率方面的不足,提出了基于蚁群聚类的入侵检测系统。首先研究了基本蚁群优化算法,在此基础上提出基于蚁群聚类的入侵检测算法,进而设计了基于蚁群聚类的入侵检测系统体系结构。结果表明,蚁群聚类算法的检测率和误报率较K-means聚类算法有明显改善,因此,采用蚁群聚类算法的入侵检测系统具有较好地自动检测入侵并防止未知攻击的特点。

堆石坝参数反演的蚁群聚类RBF网络模型

将蚁群算法与径向基(RBF)网络相结合,提出一种用于堆石坝力学参数反演的蚁群聚类径向基网络模型。该模型用蚁群聚类算法搜索RBF网络基函数中心,模拟蚁群觅食聚类的概率转移特性,所得到的聚类结果类间离散度和比传统K均值聚类结果小,能够得到更合理的基函数中心,从而获得较准确的坝体参数和位移之间的非线性映射关系。在进行参数灵敏度分析的基础,对一座堆石坝的反演分析表明,蚁群聚类RBF网络模型可有效地求解堆石坝多参数反演问题,反演结果优于BP网络模型和K均值RBF网络模型。

基于蚁群优化算法的彩色图像颜色聚类的研究

颜色聚类是计算机视觉和图形学中基本的处理问题 .提出了蚁群聚类算法在彩色图像颜色聚类中应用的新思路 .根据蚁群 pick- drop机制的基本原理 ,提出了在 RGB彩色空间中 ,改进的蚁群算法在彩色图像像素的颜色值聚类中的应用 ,最后进行像素的颜色映射 ,从而完成量化工作 .实验表明 ,采用该算法进行色彩的量化更具鲁棒性 ,颜色失真小 。

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。

基于自适应蚁群聚类的入侵检测

针对蚁群聚类算法在聚类结果中出现部分数据划分不够准确的问题,提出一种基于信息熵调整的自适应混沌蚁群聚类改进算法。该算法通过优化过程中种群的信息熵来衡量演化的程度,自适应地调整信息素更新策略。每一次迭代结束时,使用混沌搜索算子在当前全局最优解附近搜索更好的解。而随着算法的进行,混沌算子搜索范围逐渐缩小,这样混沌算子在蚁群搜索的初期起到防止陷入局部最优的作用,在蚁群搜索后期起到提高搜索精度的作用,从而得到更好的聚类结果。使用KDD Cup 1999入侵检测数据集所作的仿真实验结果表明,聚类效果改进明显,并能有效提高入侵检测的检测率、降低误检率。

改进的蚁群聚类在精准灌溉管理分区中的应用

为了便于精准灌溉的田间实际操作和管理,采用改进的蚁群聚类算法进行灌溉管理分区研究。蚁群算法的离散性和并行性特点对于数据的特征聚类非常适用,然而当数据量较大时,蚁群聚类在系统循环过程中,对数据的搜索时间较长,计算量大,因此将初始聚类中心作为蚂蚁的初始食物源加以引导,减少蚂蚁行走的盲目性,以达到降低计算量、加快聚类的目的。该文以土壤物理特性作为数据源,在运用主成分分析消除初始指标相关性的基础上,采用改进的蚁群聚类对研究区进行精准灌溉管理分区的划分。将改进的蚁群聚类分区结果与传统的K-均值聚类进行比较,前者分区结果表现出土壤物理特性区内均一性更强、区间差异性更加显著的特点。改进的蚁群聚类分区结果表明,研究区可划分成2个灌溉管理分区,I区土壤的田间持水率、饱和含水率和凋萎含水率均较II区大,表明在相同的气候条件下,I区的土壤耐旱能力较II区强,分区结果可以为精准灌溉的分区管理提供参考依据和数据支持。

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。

基于蚁群聚类的智能优化算法及应用

为了解决数据挖掘问题中离散优化问题,提高全局的优化能力,在研究基本蚁群聚类模型的基础上,通过改进,提出了一种新的蚁群聚类组合算法,将此算法应用于银行信用卡客户的消费行为分析,通过数据测试和性能分析,证明这种算法在解决离散空间问题上表现了良好的性能。该结果对银行制定市场策略上提供了良好的参考价值。

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。

融合时序保持特征和蚁群聚类的动态PPI网络复合物识别

由于蛋白质的相互作用是动态变化的,因此使用常规检测方法从静态PPI网络数据中识别蛋白质复合物具有一定的局限性.本文结合时序基因表达数据,提出了一个基于时序功能保持特征和蚁群聚类的复合物检测算法.算法首先根据相邻时刻的子网结构,选出在相邻时刻都具有表达活性的种子节点集合.然后结合复合物的保持特征,构建一组与前一时刻复合物集合具有功能相似性的初始蛋白质簇集合,并利用蚁群聚类的拾起、放下规则,完成对其他蛋白质的聚类,从而形成最终的复合物.实验结果表明使用时序功能保持特征可以提高复合物预测的准确性,与其他方法相比,新算法在精度方面也具有较好的性能.

基于增量式蚁群聚类的用户访问模式挖掘

提出一种新的用户访问模式增量式聚类算法:首先引入一种新的用户兴趣表示方法构造用户访问特征对象,再基于蚁群聚类的基本思想,利用人工蚂蚁依相邻区域对象相似性拾起或放下对象实现聚类;然后使用一种类解体机制,随着用户兴趣度的变化而形成新的类别,从而实现增量式聚类更新发现用户新的访问兴趣。实验结果表明,该方法能动态有效地实现增量式聚类。

蚁群聚类组合的改进算法

目的研究一种基于信息熵蚁群聚类的模糊C-均值算法(即EACFCM算法),解决原标准蚁群聚类算法聚类速度慢,系统停滞,函数值收敛于某局部点等问题.方法通过理论改进、算法移植和实验证明相结合的办法,采用基于信息熵的蚁群聚类算法对数据样本进行聚类(一次聚类)以获得新的聚类中心,然后从聚类拆分、合并、孤立点处理等几个方面对基于信息熵的蚁群聚类算法进行改进,以提高前期所获得的新聚类中心的准确性,最后再利用模糊C-均值聚类算法(FCM算法)对聚类结果进行优化处理(二次聚类).结果 EACFCM算法在迭代180次后,得到的目标函数值60.245是FCM算法函数值660.135的十分之一;划分熵的函数值0.440明显小于FCM算法函数值0.491;分离度的函数值0.102明显大于FCM算法函数值0.091.结论笔者改进的EACFCM算法得到的聚类比传统的FCM算法效果好;仿真结果表明了其有效性.