改进蚁群算法的动态K-均值聚类分析

提出了一种基于改进蚁群算法的动态K-均值聚类算法思想。该算法首先利用蚁群算法较强处理局部极值的能力,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,进行K-均值聚类弥补蚁群算法的不足。两者的有机结合可以寻求到具有全局分布特性的最优聚类,实现基于改进的蚁群聚类算法分析。     

改进蚁群算法的动态K-均值聚类分析

提出了一种基于改进蚁群算法的动态K-均值聚类算法思想,该算法首先利用蚁群算法的较强处理局部极值的能力,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K-均值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,实现了基于改进的蚁群聚类算法分析。     

基于混合学习算法的径向基函数神经网络设计

隐藏层中心点参数的选择和权值向量的快速计算是径向基函数神经网络设计的关键问题.基于"半月"数据集,论文提出了一种上下半月单独计算聚类中心的K-均值聚类、递归最小二乘算法计算权值向量的混合学习算法.基于三层RBF神经网络结构,以支持向量机作为分类器,开展了K-均值+最小均方算法及K-均值+递归最小二乘算法2种混合模式的对比实验.实验结果表明,"K-均值+RLS"算法相比"K-均值+LMS"算法具有更快的收敛性,在应对线性不可分的情况,上下半月单独作用的K-均值聚类算法表现更优越,综合考虑收敛速度及分类精度两个指标,论文提出的上下半月单独计算中心点的K-均值聚类+RLS的混合学习算法获得较优的性能.     

基于K-均值算法的模糊分类器设计

基于K-均值算法的模糊分类器具有很好的分类效果，用它可以很准确的对训练样本进行分类，此方法是将K-均值算法应用于训练数据的聚类，对每个聚类的半径和聚类的中心都是可计算的，而模糊系统设计方法就是用模糊度来描述聚类，对训练数据进行高效且准确的分类，这种方法有下面几个特点：(a)不要预定义参数；(b)训练时间短；(c)简单；最后用一个例子对这种模糊分类器进行分析验证。     

结点数受限的最短路径计数问题

受顶点数限制的最短路径计数问题在复杂性网络的社区识别、介数计算等方面有重要应用,但目前对其研究较少。Bellman算法能有效解决边带有负权且无负圈的最短路径问题,但对结点数受限定的最短路径的计数问题,直接用Bellman公式进行求解,则存在重复计数的问题。对Bellman递推关系式进行改进,建立新的求结点数受限制的最短路径的递推关系式和求结点数受限制的最短路径数目的递推关系式,从而给出了结点数受限定的最短路径计数问题的一种求解算法,并验证了其正确性。     

导航过程中最短路径的动态调整算法

在导航过程中,当最短路径道路上有拥挤、堵塞或中断的情况发生时,利用Dijkstra最短路径算法中的最短路径长度和前驱结点两个辅助向量数据,可迅速在其邻接结点中选择一条新的最短路径。实现了最短路径的动态调整,从而可以尽快地到达目的地。     

改进型Dijkstra算法的最短路径求解

最短路径问题一直是图论中的研究热点。为寻找有向图中任意两点之间存在的所有最短路径,从Dijkstra算法入手,分析其最短路径实现原理,发现其局限性,即多条路径求解是唯一的;对算法作出改进,在Dijkstra算法基础上引入前置邻结点,对每个顶点增加前置邻结点属性,并进行实时记录和更新,使改进后的算法能够求解多条路径问题。利用Java语言编程实现算法思想,通过简单的界面显示验证了算法的正确性。     

基于改进K-中心点的电子地图数据质量检查算法

K-中心点聚类算法对噪声和孤立点的敏感性小,比较适用于增长速度快、更新频繁的电子地图数据,但K-中心点聚类算法初始中心点的选择会直接影响算法的稳定性和准确性,容易陷入局部最优解,从而影响聚类效果。提出一种基于改进K-中心点的电子地图数据质量检查算法,通过对样本数据集进行网格划分,结合样本密度信息选取初始中心点,解决了算法依赖样本数据实际分布的问题。评估实验结果表明,改进算法较K-中心点算法正确率提升了9.56%,效率提升了56.33%。     

网络中短路径的Z算法

讨论网络中结点间路径的问题是图论中的基本问题之一 ,而求其中任两结点间的最短路径已有一些方法 ,也可采用延长算法 ,即求出两点间的所有路径 ,算出其路径权值 ,从而求得最短路径。最短路径在实际中有着广泛的应用。在实际中有一些求最优的问题 ,可化为网络中最短路径问题 ,从而得到最优的第一方案。本文提出将任两结点间的不同路径按其权值分成不同阶短路径的概念 ,并基于 Dijkstra算法和路径延长算法 ,给出根据给定的阶值 λ,求相应的 λ阶短路径 Z算法 ,可同时获得最优的第一方案、第二方案、…、第 λ方案。算法简单 ,便于手算 ,并易于计算机处理     

改进遗传算法在文本聚类中的应用研究

分析了K均值聚类算法（K-means）存在的不足和改进遗传算法的全局优化能力,提出一种基于改进遗传算法的文本聚类方法,该方法将原始文档转化成用向量空间模型来描述的文本向量,首先随机产生若干个文档向量作为初始聚类中心形成遗传算法的染色体种群,经过改进遗传算法的选择、交叉、变异进化运算,得到较为优化的K均值聚类算法的初始聚类中心。实验表明该算法文本聚类提高了查准率和查全率,算法的高效性也得到了验证。     

改进的K-均值聚类排挤小生境遗传算法

针对基于罚函数的排挤小生境遗传算法的缺陷,提出了改进的K-均值聚类排挤小生境遗传算法。该算法将改进的K-均值聚类分析与排挤技术有机地结合起来,无需事先确定小生境的数目和半径,可以通过调节最小聚类距离控制收敛到的小生境的数目,避免找到无效的极值点。理论分析和数值实验表明,该算法对于非均匀分布的多峰函数具有较好的搜索性能。     

改进的K-均值聚类排挤小生境遗传算法

针对基于罚函数的排挤小生境遗传算法的缺陷,提出了改进的K-均值聚类排挤小生境遗传算法。该算法将改进的K-均值聚类分析与排挤技术有机地结合起来,无需事先确定小生境的数目和半径,可以通过调节最小聚类距离控制收敛到的小生境的数目,避免找到无效的极值点。理论分析和数值实验表明,该算法对于非均匀分布的多峰函数具有较好的搜索性能。     

网络中短路径的Z算法

讨论网络中结点间路径的问题是图论中的基本问题之一，而求其中任两结点间的最短径已有一些方法，也可采用延长算法，即求出两点间的所有路径，算出其路径权值，从而求得最短路径。最短路径在实际中有着广泛的应用，在实际中有一些些求最优的问题，可化为网络中最短路径问题，从而得到最优的第一方案。本提出将任两结点间的不同路径按其权值分布不同阶短路径的概念，并基于Dijkstra算法和路径延长算法，给出根据给定的阶值λ，求相应的λ阶短路径Z算法，可同时获得最优的第一方案、第二方案、…、第λ方案。算法简单、便于手算，并易于计算机处理。     

K-均值聚类的Matlab仿真设计

从理论、设计程序和代码实现等方面,说明如何通过数据挖掘中K-均值聚类算法,利用Matlab的灵活编程功能进行探索性和优化性综合实验。以实验教学实践说明,为将创新思维和动手能力培养贯穿于实验教学的始终,利用Matlab仿真K-均值聚类具有较好的实际意义。     

物流配送路径中蚁群算法改进策略

蚁群算法是求解物流配送最佳路径的有效仿生模拟方法,但存在早熟、停滞、局部最优等缺陷。文章从蚁群算法的数学本质出发,提出将单纯蚁群算法与爬山算法、混沌理论、K-均值聚类算法相结合等几种有效的改进策略,使得改进后的蚁群算法具有更多优越性。     

凸包工作集TSP算法

TSP问题是一个NP完全问题,在现实生活中许多领域得到充分应用。通过对＂S计算几何＂中凸包算法分析,提出了一种最大凸包工作集规划TSP路径算法,能快速解决二维TSP问题。首先运用凸包算法构造城市的最大凸包工作集,将剩余城市节点根据隶属度大小加入到相应的凸包子工作集中。再应用最大凸包算法逐个划分凸包子工作集,直至子工作集中的尺度为2。最后依次访问每个子工作集头,得到TSP最短路径。实验结果表明,该算法能更快速地得到问题的近似最优解。     

凸包工作集TSP算法

TSP问题是一个NP完全问题,在现实生活中许多领域得到充分应用。通过对"S计算几何"中凸包算法分析,提出了一种最大凸包工作集规划TSP路径算法,能快速解决二维TSP问题。首先运用凸包算法构造城市的最大凸包工作集,将剩余城市节点根据隶属度大小加入到相应的凸包子工作集中。再应用最大凸包算法逐个划分凸包子工作集,直至子工作集中的尺度为2。最后依次访问每个子工作集头,得到TSP最短路径。实验结果表明,该算法能更快速地得到问题的近似最优解。     

基于灰狼优化的模糊C-均值聚类算法

针对模糊C-均值聚类算法(FCM)存在易受初始聚类中心影响和容易陷入局部最优的问题,提出了一种将灰狼优化算法(GWO)和模糊C-均值相结合的新聚类算法（GWO-FCM）。该算法利用GWO算法强大的全局寻优能力对FCM算法的聚类中心进行优化,模拟灰狼优秀的搜寻猎物行为找到一组最佳聚类中心来提高FCM的聚类效果。通过UCI数据集的仿真结果和算法比较验证了该算法的有效性。     

基于层次的模糊K均值聚类算法研究

通过对K均值聚类算法的研究,本文提出了一种基于层次聚类与模糊聚类思想的K均值聚类算法。算法首先使用层次方法对数据进行初始聚类,然后用得到的聚类数作为模糊K均值聚类中的K值,对聚类进行修正。最后通过实验,验证了该算法不需要人为假设聚类算法中的K值,而且引入了模糊隶属关系使类别的划分更接近于事实,从而证明了该算法的有效性。     

基于改进蚁群算法的TSP问题研究

蚁群算法作为解决TSP中组合优化问题方案,其搜索路径能力较其它算法优异,但传统蚁群算法的选取策略较随机,导致进化速度慢。为了优化传统蚁群算法速度较慢、过早收敛以致停滞现象,针对概率选取公式随机搜索下一节点,以延缓其收敛速度。对信息素调节公式进行更新以提高蚁群的搜索能力。实验结果表明,改进算法在最短路径、平均路径和搜索最短路径时间上较蚁群算法提高很大,改进的蚁群算法能有效提高算法的收敛速度和搜索能力。