混合蛙跳算法在TSP中的研究

对混合蛙跳算法优化机制的进行分析,设计了一种求解TSP问题的混合蛙跳算法。针对混合蛙跳算法容易早熟的缺陷,算法首先根据种群的适应度确定初始蛙群的位置,其次设计了模因组选择青蛙的概率公式,并对模因组中最差的青蛙个体进行更新,最后,对参数的设置做了分析。针对TSP的实验结果表明,该算法在求解精度上取得了良好的效果。     

混合蛙跳优化PID算法的生化分析仪恒温控制

生化分析仪主要用于检测人体的体液在临床状态下的多项生化指标的变化,采用的技术是光、电和机来进行临床检测,因此对于其的恒温控制要求非常高,但一般的PID控制只是单一地复制并模拟PID控制器的功能,因此在有些状况下并不具有良好的控制效果。针对这一问题,本文提出了基于混合蛙跳优化PID算法的生化分析仪恒温控制模型,模仿青蛙群体觅食时,用群族分类来表示思想传递的过程,再利用局部搜索的功能,使得局部个体间信息的传递和全局整体的信息传递有机结合,这种方式就叫做混合策略。通过仿真测试结果表明,常规PID算法模型和本文所提出的混合蛙跳优化PID算法模型控制性能上没有太大的提高,但是混合蛙跳优化PID算法在控制时候的稳定能力上有较大的提高,并且其自我适应的能力和抗干扰的能力明显增强。     

聚类算法的分析与研究

本文对聚类分析中聚类算法的基本理论进行了详细分析研究,并在此基础上,提出了一个聚类算法的通用算法框架。     

模糊聚类的最优化算法

求与一个模糊相似矩阵“距离”最近的模糊等价矩阵，至今已提出了两个求局部最优解的算法和一些启发式算法，本文也提出一个简便可行的求局部最优解的算法，这算法与线性规划的单纯形算法一样，也是在有限个“顶点”上寻优。     

基于社会演化算法的聚类新算法

K均值聚类算法通常只能以局部最优结束,很难找到全局最优。提出了一种基于社会演化算法和K均值算法相结合的聚类新算法。在该算法中提出了认知主体在聚类中对范式学习的新的方式。实验证明该算法能大大提高聚类的效率和精度。     

基于优化初始聚类中心的K-means聚类算法

针对传统的K-means算法运行的结果依赖于初始的聚类数目和聚类中心,本文提出了一种基于优化初始聚类中心的K-means算法。该算法通过量化样本间距离和聚类的紧密性来确定聚类数目K值;根据数据集的分布特征来选取相距较远的数据作为初始聚类中心,避免了传统K-means算法的聚类数目和聚类中心的随机选取。UCI机器学习数据库数据集的实验证明,本文所提出的改进的聚类算法获得了良好的聚类效果,同时获得较高的聚类准确率。     

基于混合蛙跳算法的舰船电力系统网络重构

本文分析舰船电力系统结构的特点,基于开关变化次数最小的理念,建立最小化目标函数,考虑发电机的额定功率、负载额定电流、额定电压、支路容量的限制,放射状运行约束等,将混合蛙跳算法应用到大型舰船电力系统网络重构中,建立舰船故障重构系统模型,并结合具体算例进行分析研究,结果表明混合蛙跳算法具有较高的收敛速度和精度。     

基于高斯核的KSOFM聚类算法研究

文章提出了一种基于高斯核的KSOFM聚类算法,通过核函数将输入空间中的样本映射到高维特征空间中,并在特征空间中进行聚类。核函数的应用使得在原空间中未曾体现的信息得以展现并被聚类算法所运用,使得聚类算法在性能上有较高的提升。     

核空间二次蚁群聚类算法的研究

传统的聚类算法在处理复杂特征数据时效果不理想,为此提出使用高斯径向基核函数将原空间上的数据映射到高维特征空间后,再用蚂蚁算法进行第一次聚类,针对第一次聚类结果得到较多簇等问题,提出再用马赛克算法进行二次聚类,得到较为接近真实情况的簇数目。     

聚类算法在评估区域水资源中的应用

本文首先阐述了聚类分析的基本原理,归纳层次聚类分析的步骤和方法,并使用它对我国部分区域水资源进行了科学的分类。     

科学计量学常用工具的聚类算法分析

介绍聚类算法的过程以及聚类有效性指标的分类,分别评述科学计量学常用软件中的几种聚类算法,分析聚类算法的特性并采用基于类内紧密度和类间分离度对聚类结果的有效性进行探讨,总结各聚类算法的效果并对应软件分析的结果进行案例分析。     

空间数据挖掘中的聚类算法

较为系统的综述了当前空间聚类算法的相关研究。依据这些算法的特点,将它们归纳为两类：划分聚类算法、层次聚类算法。针对划分聚类算法,重点分析了PAM、CLARA和CLARANS算法。针对层次聚类算法,重点分析了BIRCH、CURE算法。比较了这些算法的复杂度,并介绍了相关应用。     

最佳任务调度下的Web数据优化聚类算法

在对最佳任务调度下的Web数据进行优化聚类的过程中,容易出现原始数据损失的情况,导致传统数据优化聚类算法,由于忽略初始数据,无法有效实现Web数据优化聚类。提出一种基于粒子群优化的最佳任务调度下Web数据优化聚类算法,依据任务价值密度以及执行紧迫性,塑造动态优先级,通过适应度函数对分类计划进行评价,给出类间距与类内距计算公式,对相关参数和各粒子的位置以及速度向量进行初始化操作;求出粒子的适应度;求出粒子个体最优与群最优;依据粒子群优化算法的位置以及速度对当前位置和速度进行更新;通过K-means算法对EHCF进行聚类,直至全部Web数据聚类完成。仿真实验结果表明,所提方法在Web数据优化聚类上具有很高的优越性。     

文本聚类算法的比较研究

本文对K-means和CURE聚类算法的算法思想和优缺点进行了深入的理论研究,并对这两类算法的性能进行了分析与比较。     

限制性半监督谱聚类算法

限制性聚类是一种试图将用户监督信息加入到已有聚类算法中的一种分类技术,目前已经被广泛应用于K-means算法和层次聚类算法中.在本文中,提出一种将限制条件加入到谱聚类算法的半监督聚类方法,利用正约束和负约束限制来构造约束矩阵,通过它们来引导聚类过程,并结合最优化技术,达到聚类的目的.数据实验验证了这种方法具有很好的精确度.     

文本聚类算法的质量评价

文本聚类是建立大规模文本集合的分类体系实例的有效手段之一。本文讨论了利用标准的分类测试集合进行聚类质量的量化评价的手段，选择了k-Means聚类算法、STC（后缀树聚类）算法和基于Ant的聚类算法进行了实验对比。对实验结果的分析表明，STC聚类算法由于在处理文本时充分考虑了文本的短语特性，其聚类效果较好；基于Ant的聚类算法的结果受参数输入的影响较大；在Ant聚类算法中引入文本特性可以提高聚类结果的质量。     

使用粒子群优化算法学习聚类算法的参数

无导师聚类过程中将数据集合分割成几个类是一个很难确定的问题,目前还没有较好的解决方法。文章使用粒子群优化算法应用于无导师聚类算法——K-均值的参数学习,实现了使用粒子群优化算法进行聚类中心参数的确定,旨在提供一种选择中心参数个数的方法,同时给出了适应于聚类参数学习的粒子群fitness函数算法设计。通过对UCI机器学习数据库中的7个数据库进行实验,证实此方法是比较有效的。     

基于分层遗传的新聚类算法应用于数据分类

针对FCM(模糊C均值聚类算法)对初始聚类中心的选取敏感以及梯度法易收敛到鞍点,在此基础上提出了一种分层遗传算法(HGA)优化的核模糊C均值聚类算法(HGA-KFCM)来提升聚类性能,首先用分层遗传算法(HGA)在全局筛选出高品质聚类中心以替代FCM的随机产生的聚类中心,再利用高斯径向核函数改变FCM中的距离函数并且重新定义目标函数,最终根据新参数进行迭代流程。在仿真实验中用两种数据集作为实验数据,利用FCM、HGA-KFCM以及其他三种聚类算法进行聚类测试,结果显示HGA-KFCM在一定程度上解决了FCM的缺陷,此外将新算法与另外三种性能不错的聚类算法在抗局部收敛能力,迭代次数和精度上比较,结果显示新算法具有良好的聚类性能。     

几种不同权值实现的k-means聚类算法比较

对于k-means聚类算法,采用不同的权值计算方法,其聚类效果有明显差异,尤其当处理的文档数目较大时,这种效果差异可能会影响聚类准确性与合理性。通过实验,用不同的权值计算方法对文本进行聚类分析,并用熵值作为聚类效果的评价标准,对相关权值计算方法进行了研究和比较。     

基于Web日志的数据挖掘聚类算法研究及应用

针对FCM算法主要应用于点数据聚类,不能直接处理关系型数据的缺点。本文提出了一种基于Web日志的数据挖掘聚类算法,首先对FCM算法进行改进使其能够处理关系型数据,并对算法进行了健壮性改进。然后针对传统FCM算法需要在没有先验知识的基础上,事先确定聚类类别数的缺点,引入了竞争凝聚算法(CA),与FCM算法相结合,形成了CA-FCM算法,使之能够自动确定最佳分类类别数。实验表明,CA-FCM算法的挖掘结果与FCM算法的结果相近,在用户访问会话数量不太大时性能优于FCM算法。