结合遗传k均值改进的密度峰值聚类算法

针对密度峰值聚类(CFSFDP)算法处理多密度峰值数据集时,人工选择聚类中心易造成簇的误划分问题,提出一种结合遗传k均值改进的密度峰值聚类算法。在CFSFDP求得的可能簇中心中,利用基于可变染色体长度编码的遗传k均值的全局搜索能力自动搜索出最优聚类中心,同时自适应确定遗传k均值的交叉概率,避免早熟问题的出现。在UCI数据集上的实验结果表明,改进算法具有较好的聚类质量和较少的迭代次数,验证了所提算法的可行性和有效性。

遗传优化的K均值聚类算法

在K均值聚类算法中,K值需事先确定且在整个聚类过程中不能改变其大小,而按照经验K值划分所得的最终聚类结果一般并非最佳结果。通过求解所构造适应度函数的值,在变异操作中实现最佳聚类数K值的自动寻优,同时借助遗传操作完成聚类中心点的优化选取并利用遗传算法的全局寻优能力克服了K均值聚类算法的局部性。通过对Iris等数据集的实验分析,证明该算法具有良好的全局收敛性,且通过K值的自动调整,有效提高了聚类结果的划分。

基于混合高斯密度模型和空间上下文信息的遥感影像变化检测方法及扩展

在运用混合高斯密度模型对差分影像建模的基础上,分别采用顾及上下文信息的概率松弛迭代法和马尔可夫随机场模型法进行影像的变化检测。首先,提出一种运用遗传K均值算法与EM算法联合解算高斯混合密度模型参数的方法,该方法可以自动地解算出模型的统计参数,结果与手工选择样本的解算结果完全一致。然后,比较概率松弛迭代法以及马尔可夫随机场模型法的影像变化检测效果,得出基于模拟退火法的马尔可夫随机场法效果较好的结论。最后,对传统的基于模拟退火法的马尔可夫随机场方法进行改进,提出了一种变权马尔可夫随机场方法,检测结果能更好地保持影像的结构性,并有效去除了孤立噪声。

基于改进NSGA-Ⅲ算法的动态武器协同火力分配方法

针对防御场景下的动态武器协同火力分配问题,将其转化为多目标约束组合优化问题,在考虑资源约束、可行性约束的前提下,以我方损失最小、消耗资源最小为原则,对敌方目标造成最大的伤害。基于此,在NSGA-Ⅲ算法的基础上提出基于A-NSGA-GKM算法的动态武器协同火力分配方法,通过遗传K均值聚类算法对初始参考点进行自动分组聚类,用聚类中心代替原参考点,引入基于惩罚的边界相交聚合函数代替原垂直距离,进一步提升原始算法的收敛性能,引入自适应机制保证优秀的解结构。最后,通过实验仿真表明所提优化算法具有较高的收敛性,该方法能够有效地解决动态武器协同火力分配优化问题。

上海市突发环境污染事故风险区划

环境风险区划是区域布局型环境风险管理及环境风险分区管理的重要手段.本研究在环境风险系统理论的指导下,借鉴"自上而下"和"自下而上"传统区划方对上海市突发环境风险进行区划研究.上海市突发环境风险区划中"自上而下"环境风险一级区的划分是依据上海市1990～2008年突发污染事故历史时空格局获得;而"自下而上"是通过构建上海市风险区划指标体系,在对指标进行概念模型量化的基础上,运用基于遗传算法的K均值聚类在最小区划单元进行聚类区划,并依据上海市政府宏观规划对聚类后的图斑碎块进行科学性和实用性调整,获得上海市突发环境污染事故风险亚区和小区;将上海市突发环境风险一级区及亚区和小区集成分析,实现上海市突发环境污染事故风险综合区划.结果表明:上海市突发环境污染事故风险区划包含2个风险一级区,5个风险亚区和21个风险小区,客观揭示了上海市突发环境污染事故风险的空间分布规律.针对上海市布局型环境风险和不同风险区提出相应的管理措施,为上海市综合减灾降险和风险管理决策提供科学依据.

基于改进NSGA-Ⅲ的多SGSW火力分配优化

在高维多目标优化中,基于参考点非支配排序遗传算法(non-dominated sorting genetic algorithm-Ⅲ,NSGA-Ⅲ)相比于其他多目标进化算法,具备较强的多样性保持能力,但收敛能力存在一定不足。因此引入遗传K均值(genetic K-means,GKM)聚类算法以提高NSGA-Ⅲ的收敛能力,提出基于NSGA-Ⅲ-GKM算法的多天基对地打击武器(space-to-ground strike weapon,SGSW)火力分配优化方法。首先,建立以转移时间最短、落地点速度最大和落地点侵彻角最大为优化目标的SGSW转移轨道优化模型,为后续优化目标的计算打下基础;其次,建立基于NSGA-Ⅲ-GKM算法的火力分配优化模型;最后,仿真结果表明,NSGA-Ⅲ-GKM算法相比于其他代表性多目标进化算法具备较好的多样性保持能力和收敛能力,总体性能较好,该方法能够更有效地解决多SGSW火力分配优化问题。

基于D-NSGA-GKM算法的多阶段武器协同火力分配方法

陆战场防御作战场景中的多阶段武器协同火力分配问题是典型的约束组合优化问题,其目的是生成合理有效的火力分配方案.为了更接近实际作战情况,引入双方对抗过程,建立包含敌方作战单元战场剩余价值、作战资源消耗、作战单元战场价值损失的武器火力分配模型.针对多阶段武器协同火力分配问题,在非支配排序遗传算法Ⅲ(non-dominated sorting genetic algorithm III,NSGA-Ⅲ)的基础上提出一种改进的智能算法(D-NSGAGKM).首先,引入基于优势度矩阵的非支配排序算法,减少排序过程中的冗余操作,以提高非支配排序效率;然后,在遗传操作阶段引入修复算子,对不可行解进行修复;最后,引入遗传K均值聚类算法对初始参考点进行自动聚类,用聚类质心替代原参考点,在环境选择阶段引入基于惩罚的边界相交距离替代垂直距离,以提高算法的收敛性.实验结果表明,D-NSGA-GKM算法在多阶段武器协同火力分配问题上具有较好的时间性能和收敛性能.