粒子群优化算法及其在生物数据聚类中的应用

发布时间：2017-03-30 12:02

  本文关键词：粒子群优化算法及其在生物数据聚类中的应用，由笔耕文化传播整理发布。

【摘要】：在信息技术高速发展的今天,许多领域都积累了海量的数据,挖掘这些数据的内部联系、获得有用的信息已成为社会进步的迫切需求。作为数据挖掘技术的重要手段,聚类分析方法受到了广大科研工作者的密切关注与研究。由Kennedy和Eberhart最先提出的粒子群优化(Particle Swarm Optimization, PSO)算法是一种基于种群的自适应随机算法,并已被实践证明是一种有效的全局优化算法。PSO因原理简单、设置参数少、收敛速度快及在复杂优化问题上的良好表现被广泛应用于数据挖掘、机器学习、电力系统及神经网络等领域。通过分析标准粒子群聚类算法的机制,本文提出了基于K-method的快速混沌粒子群算法(FCPSO-K)及环形邻域混沌粒子群算法(RCPSO),并改进了基于类内方差函数的单目标聚类模型。在生物数据集上的实验测试了这两种算法的性能,并与其它算法的聚类结果进行了比较。文章的主要工作概括如下：(1)为了克服粒子群算法对初值敏感的缺点,并进一步加快种群的收敛速度,提出快速聚类算法FCPSO-K。首先,基于k邻域距离、核心对象及密度可达等概念,得到一种新的初始化方法K-method来改善聚类初始种群；而后,给出快速混沌粒子群聚类算法(FCPSO-K),该算法将动态目标约束处理法(DOM)同K-method与聚类匹配机制一起结合到混沌粒子群算法的机制中。实验表明,相比K-means、PSO及其它4种基于PSO技术的聚类算法,FCPSO-K算法的全局寻优能力强、收敛速度快、稳定性好；而且,FCPSO-K聚类结果的准确率更高。(2)针对粒子群算法易陷入局部极值的不足,将环形邻域、混沌因子同粒子群优化算法的机制相结合,提出一种基于环形邻域的混沌粒子群优化算法(RCPSO)。在4个测试集上比较了不同大小的静态、随机环形结构的混沌粒子群算法的聚类效果,得出了RCPSO算法整体聚类准确率最优时的种群邻域的大小。(3)为了改进单目标优化聚类模型,给出了一种新的类内密度函数,并将其作为评价聚类效果的辅助指标,进而提出多目标导向的(Multi-objective Oriented)粒子群聚类算法MOOPSO,该算法综合考虑两种评价指标来指导群体的寻优过程。实验表明,结合了类内密度函数的MOOPSO对聚类结果的评价比PSO算法更加准确；类内密度函数使得MOOPSO在种群收敛过程中获得的分类方案的错误率基本上能够持续地得到改进。此外,仿真结果还验证了类内密度函数能有效提高混沌粒子群算法的聚类准确度。
【关键词】：粒子群优化 生物聚类 混沌因子 拓扑邻域结构 多目标导向
【学位授予单位】：江南大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP311.13;TP18
【目录】：

• 摘要3-4
• Abstract4-8
• 第一章 绪论8-13
• 1.1 研究背景及意义8-9
• 1.2 粒子群优化算法的研究现状9-10
• 1.3 聚类问题的研究现状10-11
• 1.4 本文的主要研究内容及创新点11-13
• 1.4.1 组织结构11
• 1.4.2 创新点11-13
• 第二章 粒子群优化算法研究13-19
• 2.1 标准粒子群优化算法13-14
• 2.2 粒子群优化算法的改进策略14-18
• 2.2.1 群体的拓扑结构14-15
• 2.2.2 混沌理论15-17
• 2.2.3 约束处理机制17-18
• 2.3 本章小结18-19
• 第三章 改进的混沌粒子群聚类算法19-31
• 3.1 粒子群算法在聚类问题中的应用19-20
• 3.1.1 类内方差19
• 3.1.2 错误率19-20
• 3.2 基于K-method初值优化的快速混沌粒子群聚类算法(FCPSO-K)20-23
• 3.2.1 K-method：种群的初始化方法20-21
• 3.2.2 FCPSO-K算法的聚类流程21-23
• 3.3 算法性能测试23-30
• 3.3.1 生物数据集23-24
• 3.3.2 实验结果及分析24-30
• 3.4 本章小结30-31
• 第四章 基于环形邻域的混沌粒子群聚类算法(RCPSO)31-40
• 4.1 种群的环形邻域结构31
• 4.2 RCPSO算法的聚类过程31-32
• 4.3 算法的性能测试32-39
• 4.3.1 RCPSO算法的聚类实验结果及分析32-38
• 4.3.2 RCPSO算法对函数优化问题的实验结果及分析38-39
• 4.4 本章小结39-40
• 第五章 多目标导向的粒子群聚类算法(MOOPSO)40-48
• 5.1 基于粒子群算法的聚类问题的模型改进40-41
• 5.2 MOOPSO算法的聚类流程41
• 5.3 算法的性能测试41-47
• 5.4 本章小结47-48
• 第六章 总结与展望48-50
• 6.1 全文总结48
• 6.2 工作展望48-50
• 致谢50-51
• 参考文献51-55
• 附录：作者在攻读硕士学位期间发表的论文及参加的学术活动55

【相似文献】

中国期刊全文数据库 前10条

1 蒙正中;;一种改进的混合粒子群优化算法[J];桂林工学院学报;2009年03期

2 吴昌友;王福林;马力;;一种新的改进粒子群优化算法[J];控制工程;2010年03期

3 周驰,高海兵,高亮,章万国;粒子群优化算法[J];计算机应用研究;2003年12期

4 高鹰,谢胜利;免疫粒子群优化算法[J];计算机工程与应用;2004年06期

5 张荣沂;一种新的集群优化方法——粒子群优化算法[J];黑龙江工程学院学报;2004年04期

6 高鹰;谢胜利;;混沌粒子群优化算法[J];计算机科学;2004年08期

7 刘钊,康立山,蒋良孝,杨林权;用粒子群优化改进算法求解混合整数非线性规划问题[J];小型微型计算机系统;2005年06期

8 戴冬雪,王祁,阮永顺,王晓超;基于混沌思想的粒子群优化算法及其应用[J];华中科技大学学报(自然科学版);2005年10期

9 窦全胜;周春光;马铭;刘全;;群核进化粒子群优化方法[J];计算机科学;2005年08期

10 范娜;云庆夏;;粒子群优化算法及其应用[J];信息技术;2006年01期

中国重要会议论文全文数据库 前10条

1 张妍;张晓光;王永钢;;几种改进型的粒子群优化算法[A];第一届中国高校通信类院系学术研讨会论文集[C];2007年

2 孙红光;潘毓学;;基于运动目标路径的粒子群优化算法研究[A];第二届全国信息获取与处理学术会议论文集[C];2004年

3 韩毅;唐加福;郭伟宏;刘阳;;混合粒子群优化算法求解多层批量问题(英文)[A];中国运筹学会第八届学术交流会论文集[C];2006年

4 金一粟;梁逸曾;;空间自适应粒子群优化算法的应用研究[A];第九届全国计算（机）化学学术会议论文摘要集[C];2007年

5 汪荣贵;李守毅;孙见青;;一种新的自适应粒子群优化算法及应用[A];计算机技术与应用进展·2007——全国第18届计算机技术与应用（CACIS）学术会议论文集[C];2007年

6 黄双欢;程良伦;;一种基于粒子群优化的快速图像倾斜角度检测算法[A];中国自动化学会中南六省（区）2010年第28届年会·论文集[C];2010年

7 侯志荣;吕振肃;;基于退火策略的粒子群优化算法[A];2003年中国智能自动化会议论文集（下册）[C];2003年

8 徐俊杰;忻展红;;基于增强型参考位置的粒子群优化模型[A];’2004系统仿真技术及其应用学术交流会论文集[C];2004年

9 王亚;于永光;耿玲玲;;一类改进的自适应粒子群优化算法对混沌系统未知参数的估计[A];中国力学大会——2013论文摘要集[C];2013年

10 崔静;邓方;方浩;;基于改进粒子群优化算法的弹道求解方法[A];2013年中国智能自动化学术会议论文集（第三分册）[C];2013年

中国博士学位论文全文数据库 前10条

1 刘华蓥;粒子群优化算法的改进研究及在石油工程中的应用[D];东北石油大学;2012年

2 刘波;粒子群优化算法及其在机电设备中的应用研究[D];中北大学;2011年

3 熊勇;粒子群优化算法的行为分析与应用实例[D];浙江大学;2005年

4 唐贤伦;混沌粒子群优化算法理论及应用研究[D];重庆大学;2007年

5 闫允一;粒子群优化及其在图像处理中的应用研究[D];西安电子科技大学;2008年

6 余炳辉;粒子群优化算法试验研究及扩展[D];华中科技大学;2007年

7 唐贤伦;混沌粒子群优化算法理论及应用[D];重庆大学;2007年

8 徐慧;粒子群优化算法改进及其在煤层气产能预测中的应用研究[D];中国矿业大学;2013年

9 徐星;融合热运动机制的粒子群优化算法研究及其应用[D];武汉大学;2010年

10 刘逸;粒子群优化算法的改进及应用研究[D];西安电子科技大学;2013年

中国硕士学位论文全文数据库 前10条

1 陈卓;粒子群优化算法的改进及在油藏数值模拟中的应用[D];北京建筑大学;2015年

2 白云;基于粒子群优化算法的复杂网络社区挖掘[D];西北农林科技大学;2015年

3 杨艳华;基于粒子群优化支持向量机的网络态势预测模型研究[D];兰州大学;2015年

4 孟亚州;基于粒子群优化OTSU的肺组织分割算法研究[D];宁夏大学;2015年

5 郑博;基于快速排序的多目标粒子群优化算法的研究及应用[D];郑州大学;2015年

6 米永强;非线性规划问题的混合粒子群优化算法研究[D];宁夏大学;2015年

7 李建美;基于自适应变异与文化框架的混沌粒子群优化算法[D];陕西师范大学;2015年

8 刘星;基于粒子群优化算法的特征选择方法研究[D];南京大学;2015年

9 牛旭;动态粒子群优化算法及其应用[D];西安电子科技大学;2014年

10 叶华;粒子群优化算法研究[D];西安电子科技大学;2014年

  本文关键词：粒子群优化算法及其在生物数据聚类中的应用，由笔耕文化传播整理发布。

，

本文编号：277039