群体智能优化的聚类算法及模型研究
发布时间：2020-12-25 01:36
现如今,伴随着移动互联网技术的快速发展,计算机高速运行极大地提高了计算、逻辑判断和存储功能等方面的能力。面对电子商务和互联网金融等领域产生的大量数据,在“人工智能”的背景下,如何挖掘出内容多样、种类庞杂的海量数据里所蕴含的有用的信息成为一道迫切需要解决的难题。聚类分析是数据挖掘领域中一种无监督的学习技术,基本原理是根据数据内容将数据信息分类成簇。在分类过程中,我们只需在数据之间找到数据潜在的结构关系即可。聚类功能强大,常用于特定聚类集的审核、分析、评价,不仅能够轻易捕获数据分布信息,还可以披露簇类特征。正因为聚类分析过程中使用的技术多种多样,可以得出不同的结论,使得人工智能领域纷纷把具有无监督学习能力的聚类分析技术作为研究的热点。通常情况下,许多聚类算法面对复杂的多维数据,为了提升聚类效果,掌控全局参数,在实现期间手动设置关键参数,避开人工寻找全局参数的缺陷。本文着眼于烟花算法的改进策略,通过新型多群体协同智能算法与聚类方法相融合,实现对具有相同或相似属性的数据进行深度挖掘,形成一种新型聚类分析模型。本文的主要内容和创新点如下:(1)针对烟花算法在搜索过程中容易陷入局部极值的问题,本文...
【文章来源】：长春工业大学吉林省
【文章页数】：49 页
【学位级别】：硕士
【部分图文】：
8个数据点及其二维决策图
第3章基于动态搜索与锦标赛选择的烟花算法173.2.1实验设计对于函数寻优这一类问题来说，在参数设置方面将会直接影响寻优过程的复杂程度，待优化函数的维度、待求解结果的精度、自变量范围等等，都会直接或间接使得寻优过程的变得越复杂[38-39]。基于上述理论，我们对基准Benchmark函数的参数进行如表3-1所示进行设置。123456图3-16个Benchmark函数的三维可视图（f1：Sphere,f2：Schwefel’sProblem12,f3：Rosenbrock,f4：Ackley,f5：Griewank,f6：Rastrigin）3.2.2参数设置在本小节中，我们给出了在DTFWA中设置参数的原则。主要参数包括：烟花数量N，爆炸火花总数S，函数的维度d，最小爆炸半径Amin。设置小的N可以使算法因为每一个烟花可以产生更多的火花而具有很好的勘探性，而设置较大的N可以使算法可以侦查更远的区域，但在这种情况下每个烟花就产生较少的火花。在本文中，我们遵循文献[1]中的建议，并设置N=8，A=30。本文引入了参数Amin，我们将通过实验说明该参数的影响。我们根据基准函数集的规则，对每个算法运行50次，并且每次运行的最大迭代次数为1000。3.2.3算法寻优精度分析表2是一组寻优测试的数据，该实验是在6个基准Benchmark函数进行运算操作的，该实验参数设置方面，我们将设置总的迭代次数设定为1000次、函数维度设定为50、该实验操作我们进行50次。实验结果揭示：对于单峰形态的基准函数而言，各种算法各有优势和劣势，DTFWA算法测算出的寻优结果和
第3章基于动态搜索与锦标赛选择的烟花算法22炸半径的概念并将原算法相应的物理意义即适应度值保留到爆炸半径公式当中，同时通过动态变化的形式进行计算，又将当前迭代次数t，与最大迭代次数T引入到公式当中，通过加强前期算法全局搜索能力，使烟花更快集中到全局最优点附近；在算法后期，搜索速度变缓，使得算法在最优点附近能够进行充分的局部搜索，在选择策略上，运用了锦标赛选择策略，避免了一次性选择最好的烟花直接进入子代中，而与它数值近似的优秀解则与其他解进行轮盘赌选择，采取该方法能够更准确地找到最优秀的解的位置。通过对不同类型的测试函数进行寻优仿真实验，实验结果表明：对于一些测试函数，改进算法都可以显著提高其搜索速度和收敛速度，对于个别函数，改进算法较原算法对于精度方面没有显著的提高，如何解决这些问题将成为我下一阶段的研究重点。(a)1.Sphere(b)2.Schwefel’sProblem12(c)3.Rosenbrock(d)4.Ackley(e)5.Griewank(f)6.Rastrigin图3-36个Benchmark函数的实验结果(a)1.Sphere(b)2.Schwefel’sProblem12(c)3.Rosenbrock
本文编号：2936697
【文章来源】：长春工业大学吉林省
【文章页数】：49 页
【学位级别】：硕士
【部分图文】：
8个数据点及其二维决策图
第3章基于动态搜索与锦标赛选择的烟花算法173.2.1实验设计对于函数寻优这一类问题来说，在参数设置方面将会直接影响寻优过程的复杂程度，待优化函数的维度、待求解结果的精度、自变量范围等等，都会直接或间接使得寻优过程的变得越复杂[38-39]。基于上述理论，我们对基准Benchmark函数的参数进行如表3-1所示进行设置。123456图3-16个Benchmark函数的三维可视图（f1：Sphere,f2：Schwefel’sProblem12,f3：Rosenbrock,f4：Ackley,f5：Griewank,f6：Rastrigin）3.2.2参数设置在本小节中，我们给出了在DTFWA中设置参数的原则。主要参数包括：烟花数量N，爆炸火花总数S，函数的维度d，最小爆炸半径Amin。设置小的N可以使算法因为每一个烟花可以产生更多的火花而具有很好的勘探性，而设置较大的N可以使算法可以侦查更远的区域，但在这种情况下每个烟花就产生较少的火花。在本文中，我们遵循文献[1]中的建议，并设置N=8，A=30。本文引入了参数Amin，我们将通过实验说明该参数的影响。我们根据基准函数集的规则，对每个算法运行50次，并且每次运行的最大迭代次数为1000。3.2.3算法寻优精度分析表2是一组寻优测试的数据，该实验是在6个基准Benchmark函数进行运算操作的，该实验参数设置方面，我们将设置总的迭代次数设定为1000次、函数维度设定为50、该实验操作我们进行50次。实验结果揭示：对于单峰形态的基准函数而言，各种算法各有优势和劣势，DTFWA算法测算出的寻优结果和
第3章基于动态搜索与锦标赛选择的烟花算法22炸半径的概念并将原算法相应的物理意义即适应度值保留到爆炸半径公式当中，同时通过动态变化的形式进行计算，又将当前迭代次数t，与最大迭代次数T引入到公式当中，通过加强前期算法全局搜索能力，使烟花更快集中到全局最优点附近；在算法后期，搜索速度变缓，使得算法在最优点附近能够进行充分的局部搜索，在选择策略上，运用了锦标赛选择策略，避免了一次性选择最好的烟花直接进入子代中，而与它数值近似的优秀解则与其他解进行轮盘赌选择，采取该方法能够更准确地找到最优秀的解的位置。通过对不同类型的测试函数进行寻优仿真实验，实验结果表明：对于一些测试函数，改进算法都可以显著提高其搜索速度和收敛速度，对于个别函数，改进算法较原算法对于精度方面没有显著的提高，如何解决这些问题将成为我下一阶段的研究重点。(a)1.Sphere(b)2.Schwefel’sProblem12(c)3.Rosenbrock(d)4.Ackley(e)5.Griewank(f)6.Rastrigin图3-36个Benchmark函数的实验结果(a)1.Sphere(b)2.Schwefel’sProblem12(c)3.Rosenbrock
本文编号：2936697
本文链接：https://www.wllwen.com/shoufeilunwen/xixikjs/2936697.html
