混合群智能算法及其在聚类分析中的应用研究
发布时间：2020-10-12 08:21
单一的群智能算法在解决较为复杂的优化问题时,都或多或少地受到自身或原理的限制,存在如下缺点:易陷入局部极值,产生早熟现象,泛化能力弱和结果精度不高等。混合群智能优化算法综合考虑了算法之间的差异性和互补性,然后按照某种规则将两种或多种群智能算法融合在一起或是将其他优化思想引入单种群智能算法中,取长补短以实现信息的增值和优势互补,进而增强算法的整体优化性能。本文研究混合改进鲸鱼优化算法和粒子群算法,并用于解决函数优化、聚类分析和模糊聚类图像分割问题。主要研究工作如下:(1)提出了一种具有Levy Flight特征的鲸鱼优化算法(LFWOA),通过在鲸鱼收缩包围猎物的过程中引入Levy飞行策略,提高了鲸鱼优化算法的全局搜索能力和收敛精度,有效跳出局部最优区域。通过与WOA和其他两种算法在13个测试函数中的仿真结果对比,证明LFWOA可以避免陷入局部最优,且收敛精度高。(2)考虑PSO和LFWOA间的差异性和互补性,根据算法融合思想,提出基于Levy飞行鲸鱼群与粒子群并行融合的混合群智能算法(PS-LFWOA)。该算法采用并行机制实现协同优化过程,并通过交叉、替换操作实现个体间的信息交互,以增加迭代后期群体多样性,平衡算法的局部开发能力和全局探索能力。通过对23个基准函数测试仿真,验证了混合算法在收敛速率、群体多样性、稳定性和收敛结果精度上均有提高。(3)提出了一种改进的鲸鱼群模糊C-均值聚类算法,改进体现在四个方面:目标函数设计,综合考虑了类内紧凑性与类间分离性的关系;自适应收敛因子,有效平衡鲸鱼搜索过程的全局搜索和局部开发能力;交叉变异策略,提高算法收敛速率和增加种群多样性;监测机制,实现鲸鱼算法与FCM间的动态结合。通过对5组数据集进行数据聚类,验证了该混合算法获得的聚类结果类内紧凑,类之间分离较远,且具有较高的聚类准确性和稳定性。(4)针对FFCM算法对初始值设置敏感的问题,提出了一种基于鲸鱼优化的快速FCM图像分割方法。该算法在鲸鱼算法的搜索策略和收敛速度方面提出了改进措施,通过仿真实验,验证了该算法在解决图像分割问题时能够减少图像信息的丢失,缩短寻找最优聚类中心的时间,改善图像分割效果。
【学位单位】：西安电子科技大学
【学位级别】：硕士
【学位年份】：2018
【中图分类】：TP18
【部分图文】：
SIA 不必事先获知问题的所有属性，而是自行通过现有的信息进行搜索，并基胜劣汰的选择策略不断改进整个群体的品质。（4）鲁棒性强，易于其他算法结合SIA 采用分布式控制模式，容错能力强，个体故障并不影响问题的解，可靠性高扩展性强，另外群体中个体之间采用特殊的交流方式进行合作，提高了算法的安和鲁棒性。由于算法的控制参数少，不受问题自身性质的限制，所以易与其他群算法结合或者直接引入其他优化思想，产生新的优化方法。2.1.1 粒子群算法粒子群优化算法利用一种简单的机制，模拟鸟群和鱼群中的群集行为，引导粒找全局最优解。Del Valle[32]等用分离(separation)、调整(alignment)和聚集(cohesio种简单行为描述粒子群优化过程，分别如图 2.2 所示。其中，（a）分离，避免运程中与临近个体相互碰撞；（b）调整，基于临近个体的均值调整速度大小和方向c）聚集，改变当前位置向临近个体靠近。
图 2.4 座头鲸的泡泡网觅食行为[5]食过程中能够发现猎物，识别其位置并包围它们。由置是未知的，所以在 WOA 中假定目标猎物或接近目选解中最优的一个。围机制：其他搜索代理在确定最佳搜索代理之后将更新自己当前位置。* *( 1) ( ) ( ) ( )i iX t X t A CX t X t示当前迭代次数，*X 是到目前为止获得的最优表示步长， A 和 C 的定义为：1A 2a r a
4f5f7f图 2.7 单模测试函数立体图表 2.2 多维多模测试函数函数名 公式 维数 范围 最优值Schwefel2.2681( ) ( sin )ni iif x x x 30/50 [-500,500] -418.982*Rastrigin291( ) [ 10cos(2 ) 10]ni iif x x x 30/50 [-5.12,5.12] 0Ackley2101 11 1( ) 20 20exp( 0.2 ) exp cos(2 ) n nj jj jf x e x xn n30/50 [-32,32] 0Griewank2111 1( ) cos( / ) 14000nniii ixf x x i 30/50 [-600,600] 0Penalized112 1112 2 211( ) 10sin( ) ( ,10,100, 4)( 1) [1 10sin ( )] ( 1)niini i nif x y xny y yn
【参考文献】
本文编号：2837899
【学位单位】：西安电子科技大学
【学位级别】：硕士
【学位年份】：2018
【中图分类】：TP18
【部分图文】：
SIA 不必事先获知问题的所有属性，而是自行通过现有的信息进行搜索，并基胜劣汰的选择策略不断改进整个群体的品质。（4）鲁棒性强，易于其他算法结合SIA 采用分布式控制模式，容错能力强，个体故障并不影响问题的解，可靠性高扩展性强，另外群体中个体之间采用特殊的交流方式进行合作，提高了算法的安和鲁棒性。由于算法的控制参数少，不受问题自身性质的限制，所以易与其他群算法结合或者直接引入其他优化思想，产生新的优化方法。2.1.1 粒子群算法粒子群优化算法利用一种简单的机制，模拟鸟群和鱼群中的群集行为，引导粒找全局最优解。Del Valle[32]等用分离(separation)、调整(alignment)和聚集(cohesio种简单行为描述粒子群优化过程，分别如图 2.2 所示。其中，（a）分离，避免运程中与临近个体相互碰撞；（b）调整，基于临近个体的均值调整速度大小和方向c）聚集，改变当前位置向临近个体靠近。
图 2.4 座头鲸的泡泡网觅食行为[5]食过程中能够发现猎物，识别其位置并包围它们。由置是未知的，所以在 WOA 中假定目标猎物或接近目选解中最优的一个。围机制：其他搜索代理在确定最佳搜索代理之后将更新自己当前位置。* *( 1) ( ) ( ) ( )i iX t X t A CX t X t示当前迭代次数，*X 是到目前为止获得的最优表示步长， A 和 C 的定义为：1A 2a r a
4f5f7f图 2.7 单模测试函数立体图表 2.2 多维多模测试函数函数名 公式 维数 范围 最优值Schwefel2.2681( ) ( sin )ni iif x x x 30/50 [-500,500] -418.982*Rastrigin291( ) [ 10cos(2 ) 10]ni iif x x x 30/50 [-5.12,5.12] 0Ackley2101 11 1( ) 20 20exp( 0.2 ) exp cos(2 ) n nj jj jf x e x xn n30/50 [-32,32] 0Griewank2111 1( ) cos( / ) 14000nniii ixf x x i 30/50 [-600,600] 0Penalized112 1112 2 211( ) 10sin( ) ( ,10,100, 4)( 1) [1 10sin ( )] ( 1)niini i nif x y xny y yn
【参考文献】
相关期刊论文 前2条
1 蒲蓬勃;王鸽;刘太安;;基于粒子群优化的模糊C-均值聚类改进算法[J];计算机工程与设计;2008年16期
2 殷晓明;顾幸生;;一种基于改进型遗传算法的模糊聚类[J];华东理工大学学报(自然科学版);2006年07期
相关博士学位论文 前1条
1 王纵虎;聚类分析优化关键技术研究[D];西安电子科技大学;2012年
本文编号：2837899
本文链接：https://www.wllwen.com/kejilunwen/sousuoyinqinglunwen/2837899.html
