蚁群优化聚类算法在企业效率提升方面的应用研究

发布时间：2021-08-15 04:35

　　常规的聚类算法由于不具备全局性的分析能力,导致企业效率提升效果较差。为此,研究蚁群优化聚类算法在企业效率提升方面的应用。该算法在论域空间建立最大近邻粗糙集,获取影响企业效率提升的因素基本特征;通过设置蚁群算法二维网格定义相似度参数,计算数据的捡拾概率和遗弃概率;根据算法的4个聚类阶段,实现对企业资源的合理分配,从而提升企业效率。实验结果表明:与3种常规方法相比,所提算法具有极强的全局性分析能力,因而在企业效率提升方面的应用效果更佳。由此可见,蚁群优化聚类算法的应用更能满足企业的发展现状。 

【文章来源】：现代电子技术. 2020,43(17)北大核心

【文章页数】：4 页

【部分图文】：

粗糙集特征提取过程

根据特征数据qi(xi)定义影响因素相似度，从而计算影响因素的捡拾和遗弃概率。选取两个可用范数，在向量y1和y2之间设置一个相似度，用g(y1,y2)表示。对于一些实值向量，采用欧几里得距离作为两个向量间的相似度度量依据，形成两个极值化的组间距离，即最大距离之间被完全分割，最小距离之间的数据向量间距极小，形成稠密紧凑的数据组[8]。将特征数据以节点的形式放置到二维网格上，如图2所示。图2中的带框区域是对最小距离的标注，其他则为随意距离和最大距离节点。在观察不同路径的周围区域时，通过该算法建立一个捕获位置节点d，对周围网格所示的n×n区域获取最优路径，得到最优相似度参数[9]。假设蚂蚁在t0时刻所处的位置为d，对具有同样相似特征数据的路径进行串联，得到的相似度结果为：

根据捡拾概率得到可以提升企业效率的因素，设蚁群为ant M，该算法中的蚂蚁数量为M，每个蚂蚁的所在位置均为一个m维的向量，可表示为antρ(t)，其中，1≤ρ≤M，且ρ为自然数[12-13]。令蚁群从图2中的任意位置展开搜索，即对antρ1(t),antρ2(t),…,antρn(t)初始赋值；然后允许蚂蚁在设定范围内自由搜索，让antρ(t)值在n次迭代中不断变化，直到完成聚类。该因素聚类过程可分为如图3所示的4个阶段[14]。根据聚类结果，得到影响因素的最优目标函数，经计算得出影响因素的最大指标。企业可根据该指标在产品生产与加工环节、人力资源使用环节以及企业管理体系等方面做出严格调整，设置效率最大化的企业管理模式，实现蚁群优化聚类算法在企业效率提升方面的应用效果，促进企业协调发展[15]。

【参考文献】：
期刊论文
[1]基于大数据的激光光栅数据特征挖掘算法[J]. 唐新宇,张新政.  激光杂志. 2019(07)
[2]一种面向流量异常检测的概率流抽样方法[J]. 董书琴,张斌.  电子与信息学报. 2019(06)
[3]基于改进蚁群算法的SDN网络负载均衡研究[J]. 郑本立,李跃辉.  计算机科学. 2019(S1)
[4]动态环境下改进蚁群算法的多Agent路径规划[J]. 郑延斌,王林林,席鹏雪,樊文鑫,韩梦云.  计算机工程与科学. 2019(06)
[5]基于启发式机制的改进蚁群算法[J]. 朱艳,游晓明,刘升.  信息与控制. 2019(03)
[6]中国光伏上市企业效率的实证分析——基于IAHP保证域的DEA模型[J]. 刘层层,李南,张钦.  数学的实践与认识. 2019(05)
[7]基于聚类算法和粗糙集理论的分布式电源状态约简[J]. 赵晓君,张立梅,杜坤.  电力系统及其自动化学报. 2019(05)
[8]结合信息熵的多种群博弈蚁群算法[J]. 陈佳,游晓明,刘升,李娟.  计算机工程与应用. 2019(16)
[9]基于改进蚁群的BP神经网络WSN数据融合算法[J]. 余修武,刘琴,李向阳,张可,肖人榕.  北京邮电大学学报. 2018(04)
[10]基于抖动策略优化的云计算安全调度方案[J]. 刘欣.  控制工程. 2018(05)



本文编号：3343863