基于连续域混合蚁群优化的核模糊C-均值聚类算法研究

为进一步提高核模糊C-均值聚类算法的聚类性能,提出基于连续域混合蚁群优化的核模糊C-均值聚类算法(KFCM-HACO),使用HACO对KFCM算法的内核函数参数值和聚类中心进行优化,克服传统算法弊端,使核模糊C-均值聚类算法的目标函数最小化,加快算法的收敛速度.该优化算法在UCI数据集上的仿真实验及结果比较表明,KFCM-HACO算法的聚类性能优于传统的聚类算法,提高了聚类的准确性.

基于粒子群优化算法的模糊C-均值聚类

利用粒子群优化(PSO)算法全局寻优、快速收敛的特点,结合模糊C-均值(FCM)算法提出一种新的模糊聚类算法.新算法用PSO算法代替了FCM算法的基于梯度下降的迭代过程,使算法具有很强的全局搜索能力,很大程度上避免了FCM算法易陷入局部极小的缺陷;同时也降低了FCM算法对初始值的敏感度.实验结果表明,与FCM相比本文算法聚类更为准确,效率更高.

基于连接强度的PPI网络蚁群优化聚类算法

由于PPI网络数据的无尺度和小世界特性,使得目前对此类数据的聚类算法效果不理想.根据PPI网络的拓扑结构特性,本文提出了一种基于连接强度的蚁群优化(Joint Strength based Ant Colony Optimization,JSACO)聚类算法,该算法引入了连接强度的概念对蚁群聚类算法中的拾起/放下规则加以改进,以连接强度作为拾起规则,对结点进行聚类,并根据放下规则放弃部分不良数据,产生最终聚类结果.最后采用了MIPS数据库中的PPI数据进行实验,将JSACO算法与PPI网络数据的其他聚类算法进行比较,聚类结果表明JSACO算法正确率高,时间开销低.

基于蚁群模糊聚类算法的图像边缘检测

提出了一种基于蚁群动态模糊聚类算法的图像边缘检测,该算法首先利用蚁群算法的较强处理局部极值的能力,克服了FCM算法对初始化的敏感,动态地确定了聚类数目和中心;然后利用蚁群聚类得到的结果,再进行FCM聚类弥补蚁群算法的不足.两者有机结合起来可以寻求到具有全局分布特性的最优聚类,实现了基于改进的目标函数聚类分析.最后将该算法应用到图像边缘检测,对比实验表明,该算法具有很强的模糊边缘和微细边缘检测能力.

基于粒子群优化的模糊C-均值聚类改进算法

针对模糊C-均值聚类算法(FCM)存在易陷入局部优化的问题,将粒子群优化算法(PSO)和模糊C-均值聚类算法FCM相结合,提出了一种新的模糊聚类算法PSO-FCM。该算法使用PSO算法来代替FCM的迭代过程以实现模糊聚类,具有了很强的全局搜索能力,从而不用再为得到好的聚类效果而反复选择初值。仿真实验结果表明,提出的模糊聚类算法提高了FCM的搜索能力,具有更好的稳定性和健壮性,优化能力增强,提高了聚类的效率和效果。

蚁群优化与模糊聚类结合的文本聚类研究

针对模糊文本聚类算法(FCM)对输入顺序以及初始点敏感的问题,提出了一种使用蚁群优化的模糊聚类算法(FACA)。该算法采用蚁群聚类算法(ACA)找到聚类的初始中心点,以解决模糊聚类的输入顺序以及初始点敏感等问题。模糊文本聚类算法的线性复杂度使其更便于在计算机实现。与经典的基本模糊聚类以及蚁群聚类在真实数据集上仿真相比较,结果表明经蚁群优化过的模糊聚类算法(FACA)效果更有效,更适合应用于大型的数据集。

基于蚁群优化模糊C均值聚类算法的疲劳驾驶研究

通过收集大数据对汽车驾驶员的疲劳特征和疲劳参数进行学习,根据学习的参数将驾驶员的疲劳程度进行分类,提出了蚁群优化的模糊C均值聚类算法。在初步聚类中运用蚁群聚类产生聚类中心和簇的个数,提供给模糊C均值聚类;利用模糊C均值聚类再次进行聚类,克服了单个聚类算法的缺点。仿真结果表明:文中方法比一般方法具有更好的性能和聚类效果。利用BP神经网络模式识别功能可以识别疲劳驾驶类别。

基于蚁群算法的聚类优化

为解决大型网络中的最短路径问题,基于蚁群算法进行聚类优化研究。结合蚁群算法和聚类算法,将网络分割成若干个小网络后进行处理并合成,同时在过程中直接简化网络,透明化无意义的点。实验结果表明,优化后的算法能准确获得所要求的最优解,具有较快的收敛速度。

应用层次聚类法和蚁群算法的配电网无功优化

为确定无功补偿设备的最佳补偿位置和容量,提出了基于层次聚类法和蚁群算法的配电网无功优化方法。该方法以有功网损最小建立目标函数,在约束条件中引入了最优网损微增率准则。运用层次聚类法对灵敏度进行聚类分析,以确定待补偿点范围,聚合原则及拆分原则可有效实现聚类,不受随机性和人为干扰影响。通过改进将蚁群算法确定补偿位置和容量,能见度因子取为候选节点灵敏度,使状态转移概率能够随时反映补偿变化情况,改进蚁群搜索策略可避免盲目补偿。算例结果验证了该方法的有效性。

基于模糊c-means与自适应粒子群优化的模糊聚类算法

已有的粒子群模糊聚类算法需要设置粒子群参数并且收敛速度较慢,对此提出一种基于改进粒子群与模糊c-means的模糊聚类算法。首先,使用模糊c-means算法生成一组起始解,提高粒子群演化的方向性;然后,使用改进的自适应粒子群优化方法对数据进行训练与优化,训练过程中自适应地调节粒子群参数;最终,采用模糊c-means算法进行模糊聚类过程。对比实验结果表明,所提方法大幅度提高了计算速度,并获得了较高的聚类性能。

一种基于蚁群算法的模糊C均值聚类

针对模糊C均值(FCM)聚类算法,在选取聚类中心点时采用随机选取易使得迭代过程陷入局部最优解,FCM算法自身并不能确定聚类个数需要人为设定,并在数据分类应用时具有了一定误差的问题,提出了一种基于蚁群算法的FCM聚类算法。该算法根据蚁群聚类算法确定模糊聚类个数和FCM算法的初始聚类中心。利用蚁群算法的全局搜索性、并行计算性等特点避免了聚类陷入局部最优解。仿真结果表明了该算法的有效性。

基于聚类和分段优化的蚁群算法

针对蚁群算法在求解大规模旅行商问题(TSP)时精度和时间方面的不足,提出了一种新的算法,该算法采用多阶段的蚁群寻优策略.算法的复杂度分析及在大规模TSP问题上的实验表明:该算法在保证获得较好解的前提下收敛速度得到了较大的改进.

基于蚁群-模糊聚类算法的井下工作面瓦斯突出预测

针对现有的瓦斯预测方法在实际应用中受到较大限制且预测结果的准确性较差的问题,提出了一种基于蚁群-模糊聚类算法的瓦斯突出预测方法;分析了蚁群-模糊聚类算法的基本原理及实现步骤,并以某煤矿井下工作面某时段内的瓦斯突出数据为例,采用蚁群-模糊聚类算法对该数据进行了挖掘分析,从而找出了瓦斯突出量与其影响因素即埋藏深度、煤层厚度、瓦斯含量、日进度、煤层间距、日产量之间的关系。测试结果表明,该方法预测结果与实际监测记录完全一致,具有较高的聚类预测性能。

基于蚁群算法的模糊C-均值聚类算法在声纹识别中的应用

提出了一种基于蚁群算法(ACG)的模糊动态C-均值聚类算法的声纹识别,该算法首先利用蚁群算法的较强处理局部极值的能力,克服了算法在选取聚类中心点时采用随机选取易使得迭代过程陷入局部最优解的缺点,动态地确定了聚类中心和数目.两者有机结合起来可以寻求到具有全局分布特性的最优聚类.将此算法运用于声纹识别上,从语音信号中提取待识别的特征矢量集,对待识别声纹信号进行识别.实验证明,该算法解决了算法对初始值敏感,易陷入局部最优的问题,且计算简单,识别率较高,具有较好的鲁棒性.

基于自适应蚁群的FCM聚类优化算法研究

模糊C均值聚类算法在算法初始化时需要人为设定聚类类别数、随机初始化聚类中心,致使该算法容易陷入局部最优值。为解决此类问题,在蚁群算法中引入信息素更新机制,使其输出的聚类中心更具全局优化的特征和较强鲁棒性的特点;用蚁群算法得到的聚类中心来初始化FCM算法的聚类中心,解决了FCM算法对初始聚类中心敏感的问题;使用结合熵信息与数据几何结构的聚类有效性评价方法对FCM算法和优化FCM算法进行评价,评价结果表明优化的FCM算法性能更优。在仿真实验中,利用提出的优化算法和FCM算法对自然图像、纹理图像和SAR图像进行分割实验,从图像分割的准确性和算法的实时性做对比实验,验证了优化算法的有效性。

基于蚁群算法的结构面产状模糊C均值聚类分析

鉴于传统结构面分析方法只能进行相对的优势组数划分,无法准确定量地给出优势结构面的产状,提出了基于蚁群算法(ACA)的结构面产状模糊C均值(FCM)聚类算法;该算法利用ACA算法得到结构面产状的模糊聚类个数,并利用FCM算法得到初始聚类中心,最终得到具有全局分布特性的最优聚类;通过现场实测数据分析,验证了该算法的实用性和有效性。

基于多Agent结构的自适应蚁群优化聚类算法

该文在分析蚁群优化算法多Agent结构的基础上,提出了一种新的自适应蚁群优化聚类算法。算法的多Agent分层结构为L0层agent构造解,L1层agent改进可行解,L2层agent更新信息素,更新后的信息素矩阵为下一轮解的构造提供反馈信息。算法选取变异概率p及信息素残留度ρ作为自适应参数,在演化过程中进行自动调节,较好地解决了加速收敛和停滞早熟的矛盾。实验结果验证了算法的有效性,该算法的聚类效果和运行效率优于GA和SA两种演化聚类算法。

基于粒子群优化的模糊c均值聚类算法——在丙烯腈反应器参数优化上的应用

采用粒子群优化(PSO)算法,代替遗传算法(GA),将其和模糊c均值(FCM)聚类算法结合,形成基于粒子群优化的模糊c均值聚类(PSO-FCM)算法,同时引进混沌优化算法加强PSO-FCM算法的局部搜索能力。以某工厂丙烯腈反应器数据为研究对象,对比GA-FCM算法和FCM算法,研究结果表明PSO-FCM算法能够得到较优的聚类,且该算法实现简单,便于工程应用,对丙烯腈反应器参数调整的指导作用更加显著。

基于动态自确定并行模糊聚类鸡群优化算法的水稻机器人路径规划

为了有效提高水稻机器人路径规划精度,提出了一种基于动态自确定并行模糊聚类鸡群优化算法的水稻机器人路径规划方法。首先,构建基于碰撞威胁度、路径长度和路径平滑度的极坐标水稻机器人路径规划模型,在降低问题求解维度的同时,提高了机器人路径规划的可行性。其次,设计动态自确定并行模糊聚类鸡群优化算法(DMCSO),该算法利用动态自确定分类个数的核FCM对鸡群进行聚类分析,并在MPI并行架构下执行协同进化操作,以提高算法求解高维复杂问题的优化性能,经典测试函数对比结果表明,DMCSO算法无论是在收敛精度上还是在运算效率上都要优于其它算法。最后,利用DMCSO算法对路径规划模型进行求解,以获得更为满意的路径规划方案。仿真结果表明,机器人路径规划方法更具可行性和合理性,路径长度降低了约(15.9~26.5)%,运算时间降低了约(20.3~44.3)%。

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。