人工蜂群算法的改进及应用

针对人工蜂群算法容易陷入局部最优值,收敛到最优解速度慢的缺点,通过使用固定步长和可变步长,定义采蜜蜂搜索食物源的公式,提出了一种改进的人工蜂群算法.对四个标准测试函数仿真表明该改进算法提高了算法的优化性能.为了改善数据挖掘中聚类算法效率,从人工蜂群算法评价函数入手,使用凝聚度函数、分散度函数,将改进的人工蜂群算法用于解决聚类问题,对三个数据集测试表明新算法在聚类准确率方面有一定提高.     

一种改进的人工蜂群算法及其应用研究

针对传统的人工蜂群算法具有较强的勘探能力,但是算法局部开采能力较弱,演化后期收敛速度慢,容易陷入局部最优,提出了基于混沌算法和逆向学习算法相结合的初始化种群方法,有效改进种群的多样性;提出了一种新型的搜索策略来改进观察峰与侦察蜂的搜索过程,加快了算法的收敛速度;通过5个标准函数进行测试,文中算法在搜索效率、最优解质量、稳定性均优于传统的人工蜂群算法.     

人工蜂群算法改进

针对人工蜂群算法易陷入局部最优、收敛速度慢的问题,在算法中引入量子策略,设计蜂群系统中单个蜜蜂的势阱模型,模拟蜂群量子行为,提出一种具有量子行为的人工蜂群算法。改进的算法在算法前期保持了原算法中蜂群的多样性,后期使用量子策略增强了原算法的开采能力,提高了算法的收敛速度。最后,用标准测试函数进行测试。实验结果表明,改进的人工蜂群算法在保持原算法有效性的同时,大幅提高了算法的收敛速度和精度。     

基于改进人工蜂群算法的配电网故障恢复

针对传统的配电网故障恢复算法收敛速度慢、易陷入局部最优的问题,提出了一种基于改进人工蜂群的配电网故障恢复方法。首先,跟随蜂按照适应度排序的选择策略(rank fitness selection)进行蜜源选择,此方法根据目标值将种群个体排序,按照个体的序位来选择蜂源个体,保持了种群的多样性,避免了早熟现象;进而,侦查蜂采用变邻域搜索算法,通过改变拓展结构集的搜索范围获取新蜜源,同时考虑到配电网故障恢复多目标函数搜索的难度,将目标函数归一化后采用层次分析法进行整合,变为单目标函数优化问题;最后,对整合后的目标函数在传统配电网与含分布式电源的系统中进行优化求解,得到供电恢复方案。算例分析表明:文中所提方法与传统人工群群算法相比,迭代次数均减少40%以上,综合目标函数最大可增大11.55%。     

基于错位突变策略的改进人工蜂群算法

人工蜂群算法是一种模拟蜜蜂觅食行为的群智能优化算法,具有较好的全局搜索能力,但收敛速度较慢且容易陷入局部最优.针对其不足之处,提出了一种基于错位突变策略的人工蜂群算法(DMABC).该算法在搜索蜜源的时候运用错位突变策略增强种群多样性,并使用排序选择机制和新的比较机制防止过早收敛.通过对几个标准测试函数的实验表明,改进算法具有更快的收敛速度,优化精度更高.     

基于人工蜂群算法的BP神经网络研究

BP神经网络具有实现非线性映射特点和较强的容错能力、泛化能力等优点。然而,因为其采用了最速下降梯度寻优算法,在实际应用中往往出现收敛速度缓慢、时常陷入局部极小值等缺陷。人工蜂群算法是受蜂群个体间通过相互协作对既定目标进行寻优的群体行为启发提出的一种新型群智能优化算法,具有很好的全局收敛特性,其次有较强的自适应性、协作性、鲁棒性、快速性等特点。文中探讨用人工蜂群算法来优化BP神经网络算法,进一步提高BP神经网络性能。     

基于Hadoop MapReduce和粗粒度并行遗传算法的大数据聚类方法改进

为了提高并行遗传算法在大数据聚类问题中的时间效率,通过利用粗粒度遗传算法的并行化思想,提出了Hadoop平台上基于MapReduce计算框架的粗粒度遗传算法的并行化设计。该思想主要来源于大数据体量庞大的特点,聚类算法时间消耗巨大。并行是解决算力不足的一个较为有效的方法,实验结果表明,并行化的遗传算法在处理大数据聚类时相比传统的串行化处理在时间消耗方面有明显的降低。     

算法参数对人工蜂群算法性能的影响

作为一种新兴的群体智能优化方法,人工蜂群算法在函数优化方面具有较好的优化能力。然而其收敛速度也受到控制参数的影响,为了考察算法各参数对其性能的影响,使用VS2010编写了一套标准人工蜂群算法,并选取两个标准函数作为测试对象,对这种影响进行了测试,最后给出了测试结论。     

一种改进的K-means算法

传统的K—means算法对初始聚类中心敏感,聚类的结果随不同的初始输入而波动．为了消除这种敏感性,提出了一种改进的K-means算法,改善聚类算法中选取初值的依赖性,提高聚类结果的稳定性．仿真实验结果表明：改进后的K-means算法优于原始算法．     

人工蜂群算法在多元线性回归中的应用

提出了用人工蜂群算法解决多元线性回归问题.通过计算机仿真测试,表明人工蜂群算法在多元线性回归分析的参数估计问题中是有效的、实用的.     

基于改进混沌蜂群算法的无人战斗机路径规划

针对无人战斗机(uninhabited combat air vehicle,UCAV),在具有威胁战场上的路径规划问题,提出了一种基于Zaslavskii混沌的改进人工蜂群(artificial bee colony,ABC)算法,利用标准蜂群算法收敛速度较快,混沌运动的遍历性、随机性和对初值的敏感等特性,采用Zas...     

人工蜂群算法在个人信用评分中的应用仿真

为建立有效的个人信用评分指标体系,提出一种改进的人工蜂群算法。算法利用粗糙集和信息论,构造初始解和适应值函数,减少蜂群搜索的盲目性;同时,采用遗传算法的基本变异算子进行邻域搜索产生新解,增加随机性,避免算法陷入局部最优。算法利用个人信用评分数据集进行仿真实验,对比实验表明:算法比其他特征选择算法能够得到更优的特征子集且所需参数最少。     

人工蜂群算法在高层建筑火灾逃生中的应用研究

为了最大限度地减少突发灾难带来的损失,研究了人工蜂群算法在提高高层建筑火灾逃生疏散效率中的应用。根据人工蜂群算法的基本原理和特点,结合火灾时期被困人员的个体差异和从众行为,利用采蜜蜂、侦察蜂、观察蜂的行为将趋光趋众两个疏散模型参数化,建立了高层建筑火灾中人员疏散的人工蜂群模型。利用简单规则实现对突发紧急情况下复杂的人员疏散行为模拟,以更加方便、合理而有效地指导人员疏散、逃生。     

基于MapReduce的ROCK聚类算法

随着大数据时代的到来,聚类分析算法将面临如数据量巨大、数据维数增加等挑战,分布式处理是解决这类问题的方法之一.本研究将ROCK算法与Hadoop平台相结合,按照分布式处理原则,通过计算机集群模式去处理大规模的多样性数据.实验证明,在Hadoop平台下的ROCK聚类算法很大程度上提升了对高维数据进行聚类的能力.     

基于MapReduce的Canopy-Kmeans算法的并行化

数据挖掘的聚类算法Canopy-Kmeans是分析数据内在价值的常用工具之一,传统的基于集中控制的方式算法执行效率,在今天大数据环境下,有待改进.文章数据源为某省运营商在2014年7月经过脱敏后的话单信令数据,通过传统的集中控制方式和基于MapReduce的方式.通过实验,我们可以看出使用MapReduce方式具有良好的可行性,而且执行效率也得到明显改善[1].     

ABC—KHM混合聚类算法

使用调和均值的KHM聚类算法,不像KH聚类算法,具有对初始值不敏感的优点。但它作为一个基于中心聚类算法,难以摆脱早熟收敛的问题。为了克服KHM算法的不足,本文提出结合ABC和KHM的ABC—KHM混合聚类算法。在混合算法中,聚类行为可以分为两个阶段：全局搜索的ABC聚类阶段和局部求精的KHM聚类阶段。通过仿真实验,并与KHM聚类算法进行了比较,结果表明：ABC-KHM混合聚类算法,不仅对聚类初始值不敏感,而且具有较快的聚类速度、良好的全局聚类效果,是一个不错的聚类算法。     

一种改进的k-means聚类算法

针对k-means算法事先必须获知聚类数目以及难以确定初始中心的缺点,提出了一种改进的k-means聚类算法.首先引入轮廓系数的概念,通过计算不同K值下簇集中各对象的轮廓系数确定事先未知分类信息的数据集中所包含的最优聚类数Kopt;然后通过凝聚层次聚类的方法获得数据集的分布,确定初始聚类中心;最后利用传统的k-means方法完成聚类.理论分析表明,所提出的算法具有适度的计算复杂度.IRIS测试数据集的实验结果表明了该算法能够合理区分不同类型的簇集,且可以有效地识别离群点,聚合后的结果簇集具有较低的熵值.     

一种改进的基于粒子群的离线聚类算法

为了解决K-means算法中对于初值的敏感,提出了一种基于粒子群的改进的K-means聚类算法(IPSOFCM).在K-means算法中引入粒子群算法,可有效提高算法的全局搜索能力,有助于粒子更容易跳出局部束缚.实验结果证明,IPSOFCM算法聚类准确度高,稳定性好.     

基于MapReduce的GA-BP神经网络算法并行化设计及实现

为提高BP神经网络算法的运行效率,利用遗传算法和并行编程思想,提出了Hadoop平台下基于MapReduce的遗传算法优化BP神经网络的并行化设计及实现方法。利用遗传算法优化BP神经网络的初始权值和阈值,提高算法分类准确率;采用MapReduce并行编程模型实现算法的并行化处理,解决BP神经网络在处理大规模样本数据集时存在的硬件开销和通信开销大的问题。选用Caltech256图像数据集,与传统的串行遗传算法优化BP神经网络算法实验对比,验证了并行化GA BP神经网络算法的优越性。