一种改进的人工蜂群算法及其在k均值聚类中的应用

发布时间：2017-04-28 03:00

  本文关键词：一种改进的人工蜂群算法及其在k均值聚类中的应用，由笔耕文化传播整理发布。

【摘要】：人工蜂群(Artificial Bee Colony, ABC)算法作为一种新型的群智能优化算法,近十年发展十分迅速。算法的生物模型是受到蜜蜂在采蜜过程中,蜂群所表现出来的相互协作的智能行为的启发。通过对整个采蜜过程的抽象,提炼出人工蜂群算法,用来解决现实生活中的实际问题。由于人工蜂群算法具有算法实现简单、搜索精度高、鲁棒性较强等特点,且与经典的优化算法相比求解质量较好等,2005年由土耳其学者Karaboga提出,很快引起了众多学者的广泛关注,人工蜂群算法已经应用于旅行商问题、人工神经网络、无线传感器网络节点部署、调度问题等众多领域,并且取得了较好的成果,研究者们还在试图将算法应用到更多新的领域。人工蜂群算法作为一种新型的算法,算法还处于初级阶段,算法模型还不是很完善,在应用时也会表现出许多不足之处,在面对比较复杂的优化问题的时,算法容易“早熟”和陷入局部最优等问题。因此,研究者们开始探究如何在理论上对基本人工蜂群算法改进,在应用领域方面拓展其适用范围等问题。以下是本文做的主要工作：一、从全面优化算法性能的角度出发,针对基本人工蜂群算法的不足,本文提出了一种改进的人工蜂群算法。改进主要有两点：1.在种群的初始化阶段,本文采用基于反向学习的策略改善初始种群,根据概率论原理,初始解是随机产生的,那么相反解有50%的概率更接近所求问题的最优解,因此,为了增加种群的多样性,加快收敛速度,算法选择二者中更优的个体作为初始种群。2.对蜜源更新公式的改进。基本人工蜂群算法的蜜源更新公式是在目标蜜源领域内随机搜索一个新蜜源,这样的搜索过于盲目,从而导致收敛速度较慢,本文借鉴于差分进化(DE)算法思想,将算法的变异策略融入到人工蜂群(ABC)算法中,在寻找新蜜源的时候以邻居蜜源作为向导,并引入随机错位交叉策略吸收其他维度上的有利信息,此外,引入自适应调整策略。改进后的算法,在更新蜜源时搜索更有目的性,提高了算法的收敛速度,并且引入的自适应动态调整变量很好的平衡了算法的开发能力和搜索能力。为了证明改进的算法更好,在参数设置相同的前提下,用改进的算法、基本算法以及其他具有代表性的改进算法分别优化了一组标准测试函数,并对比分析了实验结果。实验表明,改进的算法函数优化精度更高。二、将经过上述两点改进的人工蜂群算法(DEF-ABC)用于优化K均值聚类算法。K-means算法是聚类过程中常用的算法,因算法原理通俗易懂、算法操作易于实现,因此已有广泛的应用,但是该算法在对数据集进行优化过程中,对初始聚类中心的选择有较强的依赖性,使算法具有易陷入局部最优解的缺点,本文用己经通过实验证明较ABC算法更具优势的DEF-ABC算法,对K-means算法的聚类过程进行优化,以期待有更好的聚类效果。在设计实验环节,选取了UCI机器学习数据库中几组标准测试函数,同时和一些常用的优化方法进行了分析、比较。
【关键词】：人工蜂群算法 错位交叉 变异 K-means算法 自适应
【学位授予单位】：安徽大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TP18
【目录】：

• 摘要3-5
• Abstract5-10
• 第一章 绪论10-15
• 1.1 课题研究的背景和意义10-11
• 1.2 人工蜂群算法的研究现状11-13
• 1.3 本文主要研究内容13-14
• 1.4 论文框架14-15
• 第二章 基本人工蜂群算法及术语15-26
• 2.1 引言15
• 2.2 人工蜂群算法的生物模型15-16
• 2.3 蜜蜂采蜜过程和常见术语16-18
• 2.4 人工蜂群算法的基本思想18-19
• 2.5 人工蜂群算法的具体步骤19-22
• 2.5.1 初始化阶段19-20
• 2.5.2 引领蜂阶段20-21
• 2.5.3 跟随蜂阶段21
• 2.5.4 侦察蜂阶段21-22
• 2.6 人工蜂群算法流程22-23
• 2.7 时间复杂度分析23
• 2.8 人工蜂群算法的特点23-25
• 2.8.1 系统性23-24
• 2.8.2 分布性24
• 2.8.3 自组织性24
• 2.8.4 反馈性24-25
• 2.9 总结25-26
• 第三章 基于差分进化的人工蜂群算法26-34
• 3.1 引言26
• 3.2 差分进化算法26-27
• 3.2.1 差分进化算法概况26
• 3.2.2 差分进化算法流程26-27
• 3.3 改进的蜜源更新公式27-28
• 3.4 改进初始化种群28-29
• 3.5 改进算法的具体步骤29-30
• 3.6 实验结果与分析30-33
• 3.6.1 测试函数及参数设置30-31
• 3.6.2 改进算法的对比试验31-33
• 3.7 总结33-34
• 第四章 基于改进人工蜂群算法的K-means聚类算法34-40
• 4.1 引言34
• 4.2 K-means聚类算法概述34-35
• 4.3 基于改进人工蜂群算法的K-means算法描述35-36
• 4.4 实验仿真与分析36-39
• 4.4.1 实验数据集36-37
• 4.4.2 实验结果和性能评价37-39
• 4.5 总结39-40
• 第五章 总结与展望40-42
• 5.1 论文工作总结40
• 5.2 未来展望40-42
• 参考文献42-47
• 致谢47

【相似文献】

中国期刊全文数据库 前10条

1 邹汪平;;一种基于网络安全控制的蜂群算法应用研究[J];吉林师范大学学报(自然科学版);2013年04期

2 李向伟;曹博;;时间参数在HITS算法中的应用及改进[J];兰州工业高等专科学校学报;2006年02期

3 吴涛;彭笃学;;一种改进的直线段裁剪算法[J];湛江师范学院学报;2008年03期

4 张瑞子;南琳;胡琨元;田景贺;;基于EPC Class-1 Gen-2标准的防冲突算法与改进[J];计算机工程;2009年02期

5 黄超;周宁;倪佑生;;基于蚁群算法的攻击图分析[J];计算机工程;2009年18期

6 秦永彬;许道云;;警示传播算法的原理分析及算法改进[J];计算机工程与应用;2010年19期

7 郭毅可;韩锐;;云计算中的弹性算法:概要和展望[J];上海大学学报(自然科学版);2013年01期

8 牛玉静;唐棣;;双步圆的反走样生成算法[J];计算机工程与应用;2010年23期

9 肖璞;;XML索引更新算法的改进[J];南京工程学院学报(自然科学版);2010年03期

10 周骏;陈鸣;张佳明;;两类频繁项算法在网络流上的适用性评估[J];计算机工程;2011年16期

中国重要会议论文全文数据库 前10条

1 黄纪武;毛泽华;李松涛;张锦雄;;SPMD并行查找算法的MPI实现[A];广西计算机学会——2004年学术年会论文集[C];2004年

2 黄纪武;毛泽华;李松涛;张锦雄;;SPMD并行查找算法的MPI实现[A];广西计算机学会2004年学术年会论文集[C];2004年

3 符丽锦;覃华;邓海;孙欣;;一种改进的Apriori算法的研究[A];广西计算机学会2012年学术年会论文集[C];2012年

4 王东锋;王军民;陈英武;;模糊定性仿真理论研究与算法实现[A];'2000系统仿真技术及其应用学术交流会论文集[C];2000年

5 赵唯;;晶粒度评级的改进算法[A];中国图象图形科学技术新进展——第九届全国图象图形科技大会论文集[C];1998年

6 刘启文;;可扩展的图形学算法演示系统的研究[A];’2004计算机应用技术交流会议论文集[C];2004年

7 佘智;蒋泰;朱延生;;基于Type C协议的防冲突改进算法[A];广西计算机学会25周年纪念会暨2011年学术年会论文集[C];2011年

8 朱绍文;赵培;朱秋云;;基于pSPADE并行挖掘序列算法的研究[A];2003年中国智能自动化会议论文集（下册）[C];2003年

9 杨霞;;新的基于启发式蚁群算法的QoS路由算法[A];广西计算机学会2009年年会论文集[C];2009年

10 陈黎飞;姜青山;董槐林;;基于图形轮廓的快速聚类算法[A];第二十三届中国数据库学术会议论文集（研究报告篇）[C];2006年

中国博士学位论文全文数据库 前10条

1 钟永腾;基于近场MUSIC算法的复合材料结构健康监测研究[D];南京航空航天大学;2014年

2 刘燕;入侵杂草优化算法在阵列天线综合中的应用[D];西安电子科技大学;2015年

3 苗义烽;突发事件下的列车运行调度模型与算法研究[D];中国铁道科学研究院;2015年

4 单美静;求解非线性实代数系统的混合算法研究[D];华东师范大学;2008年

5 邱剑锋;人工蜂群算法的改进方法与收敛性理论的研究[D];安徽大学;2014年

6 潘磊;若干社区发现算法研究[D];南京大学;2014年

7 陈俊波;频繁闭合项集挖掘算法及应用研究[D];浙江大学;2009年

8 陆楠;关联规则的挖掘及其算法的研究[D];吉林大学;2007年

9 范洪博;快速精确字符串匹配算法研究[D];哈尔滨工程大学;2011年

10 寇晓丽;群智能算法及其应用研究[D];西安电子科技大学;2009年

中国硕士学位论文全文数据库 前10条

1 安世勇;命题逻辑中随机3-SAT问题算法研究[D];西南交通大学;2015年

2 毕晓庆;油气探矿权竞争性出让系统设计与实现[D];中国地质大学(北京);2015年

3 王明明;铁路大机与线路固定设施间距检测算法研究[D];西南交通大学;2015年

4 李静;基于视频图像序列的运动目标检测与跟踪算法研究[D];宁夏大学;2015年

5 刘贝玲;基于天地图的租房平台开发及其关键技术研究[D];西南交通大学;2015年

6 曹海锋;IDS中串匹配臭算法并行优化研究[D];西安建筑科技大学;2015年

7 周攀;基于蚁群算法的山区高速铁路隧道火灾应急疏散最优路径研究[D];西南交通大学;2015年

8 张路奇;基于改进蚁群算法的WSN路由协议的研究[D];中国地质大学(北京);2015年

9 王晓晨;入侵杂草优化算法的应用与改进[D];长安大学;2015年

10 信琴琴;手势控制和识别算法研究[D];闽南师范大学;2015年

  本文关键词：一种改进的人工蜂群算法及其在k均值聚类中的应用，，由笔耕文化传播整理发布。

本文编号：331947