蜂群算法优化改进及其在聚类中的应用研究
发布时间：2021-04-23 14:47
随着信息技术的飞速发展,移动互联网络广泛普及,大量快速更新的数据使得现实问题复杂度随之增加。如何高效快速进行大数据分析,引起学者广泛关注。大数据研究旨在大量动态变化数据中搜寻有价值的信息,例如数据分析,数据分类,预测和描述性统计等。群智能算法是能够有效处理大数据问题的算法之一,有较强应用性。当处理大型复杂问题时,群智能算法作为启发于种群间协同合作的智能算法,能提出有效的解决策略。聚类分析技术将具有相似特征的数据聚集在同一簇类中,并将特征差异较大数据分别存于不同类别中,属于一种高效数据聚合技术。将群智能算法与聚类算法结合,可以更有效地解决高维数据分析问题,同时研究改进策略提升原算法性能,解决现实领域中的数据处理问题。本文将优化后的蜂群算法应用于密度峰值聚类算法,利用人工蜂群算法快速搜索最优解的优势,提升算法的数据聚集性能。本文的主要内容和创新如下:（1）提出一种高效普适寻优的蜂群优化算法（EUBCOA）。该算法提出了两种改进方法,首先引入搜索因子u,同时采用基于局部最优解的跟随蜂选择策略。为了实现算法搜索能力的可控性,引入搜索因子u调控算法全局搜索与局部搜索范围。在迭代前期,扩大搜寻范围...
【文章来源】：长春工业大学吉林省
【文章页数】：69 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
第1章 绪论
1.1 研究背景和意义
1.2 国内外发展现状
1.3 主要研究工作
1.4 论文组织结构
1.5 本章小结
第2章 算法相关知识
2.1 群体智能算法概述
2.1.1 群体智能算法的分类
2.1.2 人工蜂群算法
2.2 聚类算法理论概述
2.2.1 聚类算法分类
2.2.2 密度峰值聚类算法
2.2.3 聚类有效性评价指标
2.3 本章小结
第3章 一种高效普适寻优的蜂群优化算法
3.1 一种高效普适寻优的蜂群优化算法
3.1.1 理论模型
3.1.2 搜索因子的改进原理
3.1.3 基于局部最优解的跟随蜂选择策略
3.1.4 算法流程
3.2 仿真模拟实验
3.2.1 实验设计
3.2.2 算法寻优精度分析
3.2.3 与其它改进蜂群算法的比较分析
3.2.4 算法收敛速率分析
3.3 本章小节
第4章 基于自适应强度调节因子的蜂群算法
4.1 基于自适应强度调节因子的蜂群算法
4.1.1 理论模型
4.1.2 自适应强度调节因子
4.1.3 算法流程
4.2 仿真模拟实验
4.2.1 实验环境与参数设置
4.2.2 寻优精度分析
4.2.3 收敛速度分析
4.4 本章小节
第5章 基于人工蜂群的改进密度峰值聚类算法
5.1 基于人工蜂群的改进密度峰值聚类算法
5.1.1 理论模型
5.1.2 随机方向向量因子
5.1.3 基于人工蜂群的密度峰值聚类算法
5.1.4 算法流程
5.2 仿真模拟实验
5.2.1 聚类结果的评价指标对比分析
5.2.2 算法在不同数据集聚类结果分析
5.3 IDPCA算法在经济领域中的应用
5.3.1 数据描述
5.3.2 仿真模拟实验
5.4 本章小节
第6章 总结与展望
致谢
参考文献
作者简介
攻读硕士学位期间研究成果
【参考文献】：
期刊论文
[1]基于改进蜂群算法的K-means算法[J]. 于佐军,秦欢. 控制与决策. 2018(01)
[2]复杂网络大数据中重叠社区检测算法[J]. 乔少杰,韩楠,张凯峰,邹磊,王宏志,Louis Alberto GUTIERREZ. 软件学报. 2017(03)
[3]EDDPC:一种高效的分布式密度中心聚类算法[J]. 巩树凤,张岩峰. 计算机研究与发展. 2016(06)
[4]一种基于密度峰值发现的文本聚类算法[J]. 刘颖莹,刘培玉,王智昊,李情情,朱振方. 山东大学学报(理学版). 2016(01)
[5]一种改进的人工蜂群算法[J]. 臧明相,马轩,段奕明. 西安电子科技大学学报. 2015(02)
[6]量子位Bloch坐标的量子人工蜂群优化算法[J]. 易正俊,何荣花,侯坤. 计算机应用. 2012(07)
博士论文
[1]基于群智能优化理论的聚类改进方法及应用研究[D]. 周瑞红.吉林大学 2017
硕士论文
[1]一种改进的密度峰值聚类算法及其应用研究[D]. 赵甜甜.吉林大学 2019
[2]基于群体智能优化的聚类算法研究[D]. 刘翘铭.长春工业大学 2018
[3]基于群体智能聚类研究及其在股市板块分析中的应用[D]. 邱兵.长春工业大学 2017
[4]面向复杂结构数据的近邻传播聚类算法研究[D]. 姬强.吉林财经大学 2016
本文编号：3155521
【文章来源】：长春工业大学吉林省
【文章页数】：69 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
第1章 绪论
1.1 研究背景和意义
1.2 国内外发展现状
1.3 主要研究工作
1.4 论文组织结构
1.5 本章小结
第2章 算法相关知识
2.1 群体智能算法概述
2.1.1 群体智能算法的分类
2.1.2 人工蜂群算法
2.2 聚类算法理论概述
2.2.1 聚类算法分类
2.2.2 密度峰值聚类算法
2.2.3 聚类有效性评价指标
2.3 本章小结
第3章 一种高效普适寻优的蜂群优化算法
3.1 一种高效普适寻优的蜂群优化算法
3.1.1 理论模型
3.1.2 搜索因子的改进原理
3.1.3 基于局部最优解的跟随蜂选择策略
3.1.4 算法流程
3.2 仿真模拟实验
3.2.1 实验设计
3.2.2 算法寻优精度分析
3.2.3 与其它改进蜂群算法的比较分析
3.2.4 算法收敛速率分析
3.3 本章小节
第4章 基于自适应强度调节因子的蜂群算法
4.1 基于自适应强度调节因子的蜂群算法
4.1.1 理论模型
4.1.2 自适应强度调节因子
4.1.3 算法流程
4.2 仿真模拟实验
4.2.1 实验环境与参数设置
4.2.2 寻优精度分析
4.2.3 收敛速度分析
4.4 本章小节
第5章 基于人工蜂群的改进密度峰值聚类算法
5.1 基于人工蜂群的改进密度峰值聚类算法
5.1.1 理论模型
5.1.2 随机方向向量因子
5.1.3 基于人工蜂群的密度峰值聚类算法
5.1.4 算法流程
5.2 仿真模拟实验
5.2.1 聚类结果的评价指标对比分析
5.2.2 算法在不同数据集聚类结果分析
5.3 IDPCA算法在经济领域中的应用
5.3.1 数据描述
5.3.2 仿真模拟实验
5.4 本章小节
第6章 总结与展望
致谢
参考文献
作者简介
攻读硕士学位期间研究成果
【参考文献】：
期刊论文
[1]基于改进蜂群算法的K-means算法[J]. 于佐军,秦欢. 控制与决策. 2018(01)
[2]复杂网络大数据中重叠社区检测算法[J]. 乔少杰,韩楠,张凯峰,邹磊,王宏志,Louis Alberto GUTIERREZ. 软件学报. 2017(03)
[3]EDDPC:一种高效的分布式密度中心聚类算法[J]. 巩树凤,张岩峰. 计算机研究与发展. 2016(06)
[4]一种基于密度峰值发现的文本聚类算法[J]. 刘颖莹,刘培玉,王智昊,李情情,朱振方. 山东大学学报(理学版). 2016(01)
[5]一种改进的人工蜂群算法[J]. 臧明相,马轩,段奕明. 西安电子科技大学学报. 2015(02)
[6]量子位Bloch坐标的量子人工蜂群优化算法[J]. 易正俊,何荣花,侯坤. 计算机应用. 2012(07)
博士论文
[1]基于群智能优化理论的聚类改进方法及应用研究[D]. 周瑞红.吉林大学 2017
硕士论文
[1]一种改进的密度峰值聚类算法及其应用研究[D]. 赵甜甜.吉林大学 2019
[2]基于群体智能优化的聚类算法研究[D]. 刘翘铭.长春工业大学 2018
[3]基于群体智能聚类研究及其在股市板块分析中的应用[D]. 邱兵.长春工业大学 2017
[4]面向复杂结构数据的近邻传播聚类算法研究[D]. 姬强.吉林财经大学 2016
本文编号：3155521
本文链接：https://www.wllwen.com/shoufeilunwen/xixikjs/3155521.html
