基于K-均值聚类粒子群优化算法的组合测试数据生成

在解决组合测试中的测试数据集生成问题时,粒子群优化算法(PSO)在待测数据量增加达到一定程度以后,出现迭代次数增加、收敛速度减慢的缺点。针对该问题,提出了一种应用于组合测试数据集生成问题的基于K-均值聚类的粒子群优化算法。通过对测试数据集合进行聚类分区域,增强测试数据集的多态性,从而对粒子群优化算法进行改进,增加各个区域内粒子之间的影响力。典型案例实验表明该方法在保证覆盖度的情况下具有一定的优势和特点。     

基于改进粒子群算法的聚类算法

K-均值算法是一种传统的聚类分析方法,具有思想与算法简单的特点,因此成为聚类分析的常用方法之一.但K-均值算法的分类结果过分依赖于初始聚类中心的选择,对于某些初始值,该算法有可能收敛于一般次优解.在分析K-均值算法和粒子群算法的基础上,提出了一种基于改进的粒子群算法的聚类算法.该算法将局部搜索能力强的K均值算法和全局搜索能力强的粒子群算法结合,提高了K均值算法的局部搜索能力、加快了收敛速度,有效地阻止了早熟现象的发生.实验表明该聚类算法有更好的收敛效果.     

融合邻域扰动的简化粒子群K-均值聚类算法

针对粒子群优化算法容易陷于局部最优,且初始聚类中心选择对K-均值算法的影响较大,提出一种融合邻域扰动的简化粒子群K-均值初始优化聚类算法(ADPSO-IKM)。首先,根据 “集群度”思想实现优化初始聚类中心。其次,在粒子群算法公式中加入邻域扰动项,避免陷入局部最优,并且算法遵循自适应度优化学习策略增强全局搜索能力,进一步提高算法精度。通过仿真测试表明,提出的ADPSO-IKM算法能加快收敛速度,可防止粒子的早熟,收敛效果好并具有较好的稳定性。     

基于粒子群优化算法的聚类分析

基于求解实优化问题时粒子群算法优于遗传算法这一事实，在基于遗传算法的K-均值聚类算法的基础上，给出了一种摹于粒子群优化算法的聚类方法。实验结果显示，基于粒子群优化算法的聚类方法在收敛速度方面明显优于基于遗传算法的聚类方法。     

改进遗传算法的K-均值聚类算法研究

传统的k-均值算法对初始聚类中心的敏感很大,极易陷入局部最优值;利用遗传算法或免疫规划算法解决初始聚类中心是较好的方法,但后期容易出现收敛速度缓慢.为了克服上述缺点,文章将免疫原理的选择操作机制引入遗传算法中,使个体浓度和适应度同时对个体的选择施加影响,以此提出基于改进遗传算法的K-均值聚类算法,该方法利用K-均值算法的高效性和改进遗传算法的全局优化搜索能力,较好地解决了聚类中心优化问题.试验结果表明,本算法能够有效改善聚类质量,并且具有较好的收敛速度.     

基于PSO与K-均值聚类算法优化结合的图像分割方法

为了提高图像分割的质量和效率,同时,针对粒子群优化算法（Particle Swarm Optimization, PSO）容易陷于局部最优和K-均值算法对初始聚类中心敏感的问题,本文将PSO和K-均值算法相结合,提出一种通过调整惯性权重和学习因子的优化算法。首先,对图像进行去噪预处理,并将处理后的颜色图像转换到HSV空间,以提高色彩质量。然后,改进粒子群算法中的惯性权重和学习因子公式及参数,避免陷入局部最优。最后,根据粒子的适应度切换到K-均值算法执行局部搜索,使聚类中心不断更新实现快速收敛。实验结果表明,在图像分割的过程中,改进的算法具有全局搜索能力强的优点,能够实现更快的收敛速度和更高的分割精度。     

融合K-调和均值和模拟退火粒子群的混合聚类算法

针对K-调和均值和模拟退火粒子群聚类算法的优缺点,提出了1种融合K-调和均值和模拟退火粒子群的混合聚类算法。首先通过K-调和均值方法将粒子群分成若干个子群,每个粒子根据其个体极值和所在子种群的全局极值来更新位置。同时引入模拟退火思想,抑制了早期收敛,提高了计算精度。本文使用Iris、Zoo、Wine和Image Segmentation,4个数据库,以F-measure为评价聚类效果的标准,对混合聚类算法进行了验证。研究发现,该混合聚类算法可以有效地避免陷入局部最优,在保证收敛速度的同时增强了算法的全局搜索能力,明显改善了聚类效果。该算法目前已用于无锡一淡水养殖基地的水产健康养殖水质分析系统,运行效果良好。     

融合K-调和均值的混沌粒子群聚类算法

针对K-调和均值和混沌粒子群聚类算法的优缺点,提出了一种融合K-调和均值的混沌粒子群聚类算法。首先通过K-调和均值方法把粒子群分成若干个子群体,每个粒子根据其个体极值和所在子种群的全局极值来更新位置。其次,算法中引入变尺度混沌变异,抑制了早熟收敛,提高了计算精度。实验证明,该算法可以有效地避免算法陷入局部最优,在保证收敛速度的同时增强了算法的全局搜索能力,明显改善了聚类效果。     

基于粒子群优化的模糊C一均值聚类算法研究

针对用模糊C-均值聚类算法选择初始聚类中心敏感及模糊加权指数m对模糊C-均值聚类算法的聚类性能影响较大等问题,利用粒子群优化算法的全局寻优能力强及收敛速度较快的特点,结合模糊C-均值算法提出一种新的模糊聚类算法;采用了一种简单有效的粒子编码方法,将初始聚类中心和模糊加权指数m同时进行粒子群优化搜索,在得到最优适应度的同时,m也收敛到一个稳定的最优解,从而有效地解决了上述问题。算法在人工合成数据集和多个UCI数据集上都取得了较好的效果。     

基于PSO的可能性C均值聚类算法的研究

可能性C均值算法(PCM)是为了克服模糊C均值算法对噪声的敏感性而提出来的,但是它也存在一些缺陷,如易陷入局部最优,对初始条件敏感,导致聚类结果一致性等问题.针对以上问题,通过引进粒子群算法对其进行改进可以有效地避免这些问题,即提出了基于粒子群优化的可能性C均值聚类算法(PSO-PCM).基于粒子群优化的可能性C均值聚类方法首先对编码过的数据点进行优化,然后对该方法产生的中心点进行聚类,在聚类的过程中根据适应度函数再进行调节.通过对给定数据集的聚类测试,结果表明,基于粒子群优化的可能性C均值聚类方法在收敛速度和全局寻优能力等方面有较大的改进.