结合双粒子群和K-means的混合文本聚类算法

传统K-means算法对初始聚类中心选择较敏感,结果有可能收敛于一般次优解,为些提出一种结合双粒子群和K-means的混合文本聚类算法。设计了自调整惯性权值策略,根据最优适应度值的变化率动态调整惯性权值。两子群分别采用基于不同惯性权值策略的粒子群算法进化,子代间及子代与父代信息交流,共享最优粒子,替换最劣粒子,完成进化,该算法命名为双粒子群算法。将能平衡全局与局部搜索能力的双粒子群算法与高效的K-means算法结合,每个粒子是一组聚类中心,类内离散度之和的倒数是适应度函数,用K-means算法优化新生粒子,即为结合双粒子群和K-means的混合文本聚类算法。实验结果表明,该算法相对于K-means、PSO等文本聚类算法具有更强鲁棒性,聚类效果也有明显的改善。

基于CGA和PSO的双种群混合算法

针对粒子群算法(PSO)收敛速度慢、求解精度不高以及易陷入局部最优的缺点,结合云遗传算法(CGA)和粒子群优化算法,提出一种新型的双种群混合算法(CGA-PSO)。将整个种群平均分成2个子群,分别采用云遗传算法和加入自调整惯性权值策略的粒子群优化算法完成进化。通过引入一种新型的信息交流机制:两子群子代间信息交流以及子代与父代间信息交流,共享最优个体,淘汰最劣个体,实现共同进化,适时对粒子群适应度较差的个体进行云变异操作,该操作是基于云模型的随机性和稳定性,利用全局最优位置和最劣位置实现对部分粒子位置的变异过程。对5个经典测试函数进行测试,并与CGA和PSO算法及其优化算法进行比较,结果表明,CGA-PSO算法具有较高的搜索效率、求解精度和较快的收敛速度,鲁棒性也较强。