群体协同智能优化算法改进及其应用研究

发布时间：2020-07-21 23:39

【摘要】：优化问题广泛地存在于实际工程问题和科学研究中。优化问题具有解空间规模大、维数高的特点,一些传统优化算法在求解大规模优化问题时,存在计算复杂度高、时间长等问题。群体智能算法因其参数少、模型简单、易于实现等优点,已成为求解优化问题新的研究方向。随着人工智能的高速发展,电子商务、移动互联网金融无时无刻不断产生数据。数据挖掘技术越来越受到众多领域的广泛关注。聚类技术是数据挖掘领域的一个重要分支,在无监督条件下,用于挖掘数据潜在结构,已成为人工智能领域研究热点。密度峰值快速搜索聚类算法是聚类算法中极具竞争力的一种新型聚类算法,已得到各领域广泛认可,但其仍存在手动设置参数的缺陷。本文将布谷鸟搜索算法作为主要研究对象,对其进行研究与改进,并对密度峰值快速搜索聚类算法存在缺陷进行改进。本文主要内容和创新点如下:(1)针对布谷鸟搜索算法在处理复杂函数时,算法收敛速度慢;在处理多维数据时,算法寻优精度低,算法稳定性较差的问题,提出动态自适应步长的双重策略的布谷鸟搜索算法。算法引入动态自适应步长机制和双重评价策略,动态步长中学习因子加速算法在解空间中搜索速度,在算法迭代前期,双重评价策略中的逐列排序策略在全局搜索中快速定位,并引入动态发现概率增加全局搜索能力。(2)针对密度峰值快速搜索聚类算法存在手动设置截断距离d_c,欧式距离无法准确反映数据间的相似性等缺陷,提出布谷鸟优化的密度峰值快速搜索聚类算法。算法通过布谷鸟搜索算法优化截断距离,并引入余弦相似度,将方向与实际距离相结合,更好区分两类中间区域数据点的归属度。仿真实验结果表明,改进密度峰值快速搜索聚类算法具有较好聚类性能。(3)基于布谷鸟优化的密度峰值快速搜索聚类算法,对银行个人信贷数据进行聚类。仿真实验结果表明,本文提出的方法能够较为有效地分析和预测银行个人信贷违约情况,帮助银行信贷部门合理地做出决策。
【学位授予单位】：长春工业大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TP18
【图文】：

示意图,飞行轨迹,示意图,鸟巢

图 2.1 Lévy 飞行轨迹示意图新兴的群体智能算法，由 Xin-She Yang 和 S和 Deb 基于布谷鸟特殊繁殖育雏机理和假定理想条件为：布谷鸟每次只生产一个蛋，并随机选择一巢中，装有最好蛋的鸟巢将会被保存至下宿主鸟巢个数固定，并且宿主鸟发现外来鸟巢另建新巢或者抛出外来蛋。宿主鸟巢中的每一个蛋都代表一个单独的解用新解替换不好的解。当然，CS 算法可以，代表一组解。原始的 CS 算法采用每个蛋ts 随机游动生成新的解 X(t+1)后，执行公式(

二维图,数据点,聚类中心,据点

第 2 章相关理论介绍在数据集中，具有最大密度值的数据点为特殊情况，DPC 算法定义该数据点为聚类中心。详细的i计算方法如公式（2-17）所示：max( ) max , ,..., 1 2=min ( ):idij njd otherwiseijjj i （2-17）图 2.3 (a)为带有 28 个数据点的二维图，数据点按密度递减排列。我们可以看到数据点 1 具有最大局部密度值，数据点 10 具有相对局部密度最大值，并且距离数据点 1 最远，满足 DPC 算法两个条件，聚类中心是是最大密度值数据点或者是与数据集中的其他点相比具有更高 ρ 和更大的点，因此它们可以确定为聚类中心。图 2.3(b是 28 个数据点的二维决策图。从图 2.3(b)中可以明显看出，具有较高 ρ 和的数据点 1 和数据点 10 是潜在的聚类中心。数据点 26，27 和 28，因为它们具有高 ρ 和低它们被认为是由单个数据点组成的簇，即孤立点。对于图中剩余数据点，将被分配到与其最近并比自己密度高的邻居数据点类中。

三维图像,基准测试,三维图像

1iGriewank cos14000()1214 ixxfxiDiiDi[-300,300]Rastrigin ()(10cos(2)10)215 iiDif xx x [-1.25,1.25]610 ichalewicz()sin()sin()(10)1226 mixfxxDimii [0, ]-9.6605[56](a)Sphere (b)Sumsquares (c) Rosenbrock

【参考文献】