K-Means聚类算法和人工鱼群算法应用于图像分割技术

提出一种基于K-Means聚类的人工鱼群算法, 该算法利用人工鱼群算法鲁棒性较强且不易陷入局部最优值的特点, 动态的确定了聚类的数目和中心, 解决了K-Means聚类初始点选择不稳定的缺陷, 在此两种算法融合的基础上进行图像分割处理, 经试验证明该算法效果理想.     

改进混合蛙跳算法和K-Means的新型聚类算法

研究针对现有聚类算法存在着精度较低,易陷于局部最优等问题,提出一种改进的混合蛙跳算法和K-Means相结合的新型聚类算法ISFLA-K,该算法使用对立学习的思想产生初始种群,根据蛙自身具有认知能力和学习能力的特性对混合蛙跳算法的蛙跳规则进行改进,即形成ISFLA,最后使用ISFLA优化K-Means聚类算法,提高求解精度。实验结果表明, ISFLA-K具有很好的聚类性能,求解精度高。     

基于人工鱼群算法的聚类挖掘

聚类分析就是按照数据间的相似程度,依据特定的准则将数据划分成不同种类.目前聚类分析算法普遍存在对初始参数敏感,难以找到最优聚类以及聚类有效性等问题.人工鱼群算法作为一种新型仿生优化算法,具有良好的克服局部极值和获得全局极值的能力.引入聚类数学模型,结合现有人工鱼群算法的特点和聚类算法理论,通过模拟鱼群的智能行为进行聚类分析,提出了一种基于人工鱼群算法的聚类挖掘方法.对空间数据的实验和蚁群算法的对比研究表明,该算法具有良好的聚类效果.     

人工鱼群和K均值算法相融合的网络入侵检测

针对K均值算法存在的初始聚类中心敏感和易陷入局部最优等缺陷,利用人工鱼群算法全局寻优能力,提出一种人工鱼群和K均值算法相融合的网络入侵检测模型(AFSA-KCM).首先采用抽样技术和最大最小距离算法获得一组较优的聚类中心和聚类数目,然后通过人工鱼群模拟自然界鱼群的觅食、聚群,追尾等行为,找到最优的聚类中心和聚类数目,最后利用K均值算法根据最优的聚类中心和聚类数目建立最优的入侵检测模型,并采用KDD CUP99数据集进行测试实验.实验结果表明,相对于其它入侵检测模型,AFSA-KCM不仅提高了网络入侵检测率,同时加快了网络入侵检测速度,可以为网络安全入侵检测提供有效保证.     

基于BTM模型和改进聚类算法的热点话题检测

随着网络中出现大量的新闻内容,如何在短期内为用户及时发现新闻热点话题越来越受到学者们的关注。提出一种基于BTM模型和改进K-Means聚类算法的中文新闻话题检测模型。对网易新闻语料库引入BTM模型,发现与主题相关的话题词,从而推断热点话题;针对K-Means算法初始值敏感等问题,将基于共轭梯度的人工鱼群算法引入传统的K-Means算法;利用改进K-Means聚类算法对得到的话题词进行聚类。实验结果表明,所提方法与传统方法相比可有效、准确提高话题的准确性。     

优化的人工鱼群和FCM的混合聚类算法

针对模糊C-均值算法比较易陷入局部极值、对聚类初始中心过于敏感等问题,提出一种优化的人工鱼群与模糊C-均值算法相结合的聚类算法(OAFSA-FCM)。该算法将人工鱼群行为进行优化,引入通信行为,利用模糊C-均值的适应度函数对人工鱼的参数进行自适应调整,搜索的精度和效率有所提高,易跳出局部极值。将仿真结果与其他算法进行比较,证明了该算法易跳出局部极值且收敛速度与搜索精度均优于其他算法。     

云人工鱼群算法

借鉴人工鱼群算法的思想,利用云模型云滴的随机性和稳定倾向性的特点,提出了一种新的人工鱼群算法——云人工鱼群算法,并用于求解具有变量边界约束的非线性的复杂函数最优化问题。计算机仿真结果表明,云人工鱼群算法具有计算精度较高,搜索速度较快等特点,具有一定的参考和应用价值。     

求解聚类问题的改进人工鱼群算法

聚类在数据挖掘、统计学、机器学习等很多领域都有很大应用。聚类问题可以归结为一个优化问题。人工鱼群算法（AFSA）是一种新提出的新型仿生优化算法。在分析AFSA存在不足的基础上,提出一种改进人工鱼群算法,并应用于求解聚类问题。算法保持了AFSA算法简单、易实现的特点．通过改进个体鱼的行为,并引入均匀交叉算子,将人工鱼群算法和遗传算法融合,显著提高了算法运行效率和求解质量。仿真实验取得了较好的结果。     

求解聚类问题的改进人工鱼群算法

聚类在数据挖掘、统计学、机器学习等很多领域都有很大应用。聚类问题可以归结为一个优化问题。人工鱼群算法（AFSA）是一种新提出的新型仿生优化算法。在分析AFSA存在不足的基础上,提出一种改进人工鱼群算法,并应用于求解聚类问题。算法保持了AFSA算法简单、易实现的特点．通过改进个体鱼的行为,并引入均匀交叉算子,将人工鱼群算法和遗传算法融合,显著提高了算法运行效率和求解质量。仿真实验取得了较好的结果。     

优化初始聚类中心的K-Means算法

针对K-Means算法所存在的问题,提出了一种改进的K-Means算法,该方法通过选取相互距离最远的数据点作为初始聚类中心,能够很好地排除随机选取初始聚类中心点的影响.通过实验验证,相对于传统K-Means算法,改进K-Means算法能够获得更好的聚类效果.     

基于共轭梯度法改进的人工鱼群算法*

在基本人工鱼群算法中引入共轭梯度法,得到改进的人工鱼群算法。基本人工鱼群算法对每条人工鱼分别进行聚群算子和追尾算子,若更新结果没有得到改善则进行觅食算子,由于觅食算子具有很大的随机性,这样不能保证每次更新都是有价值的,本文用共轭梯度法代替此时的觅食算子,也就是如果人工鱼利用聚群算子和追尾算子更新,如果没有得到改善,利用共轭梯度法对该条鱼进行更新。在人工鱼群更新过程中引入共轭梯度法,减少随机性,增强人工鱼个体的局部寻优能力,确保人工鱼每次更新都会得到改善,从而加快人工鱼群算法收敛速度。数值试验结果表明,所得改进人工鱼群算法具有更快的收敛速度,同时收敛精度也得到一定提升。     

基于PSO自适应双策略的人工鱼群算法

针对传统人工鱼群算法存在易陷入局部最优解、鲁棒性差和搜索精度低的问题,提出一种基于粒子群算法自适应双策略的人工鱼群算法。该算法首先模拟粒子群算法的移动算子调整人工鱼的移动方向和位置,使人工鱼具有惯性机制,更好拓展新区域,从而为探索潜在的较优解提供更多的机会,增强其跳出局部最优的能力。然后运用一种自适应视野和惯性权值的策略,更好地平衡全局搜索与局部搜索之间的关系。最后引入反向学习机制,设计2种策略的随机行为, 避免原始随机行为的盲目性,增加鱼群的多样性。仿真实验结果表明,改进后的算法在寻优精度、收敛速度以及鲁棒性等方面较其他人工鱼群算法有较大提高,在高维问题求解上有较好的优化效果。     

改进灰狼优化算法的K-Means文本聚类

针对K-Means算法在文本聚类过程中易陷入局部最优,造成文本聚类结果不准确的问题,提出了一种基于改进灰狼优化算法的K-Means文本聚类方法。在对文本数据进行分词、去停用词、特征提取以及文本向量化后,通过免疫克隆选择选出精英个体,并对精英个体进行深度探索以增加灰狼种群的多样性,避免早熟收敛现象的发生;将粒子群位置更新思想与灰狼位置更新结合,降低灰狼优化算法陷入局部极值的风险;与K-Means算法结合进行文本聚类。所提算法与K-Means算法、GWO-KMeans以及IPSK-Means算法相比,其准确率、召回率和F值平均都有明显提高,文本聚类结果更可靠。     

反向自适应高斯变异的人工鱼群算法

针对人工鱼群算法存在易陷入局部最优、鲁棒性差以及寻优精度低的问题,提出了反向自适应高斯变异的人工鱼群算法。改进后的算法引入了反向解,根据反向解调整人工鱼的移动方向以及位置,从而提供更多的机会发掘潜在的较优空间,使人工鱼群快速跳出局部最优,从全局角度提升算法的搜索性能。同时提出了一种非线性自适应视野步长策略,更好地平衡了全局搜索与局部搜索之间的关系。为了增加鱼群的多样性,降低人工鱼陷入早熟的可能性,提出了一种最优解引导的高斯变异机制。仿真实验结果表明,该算法能有效地提高人工鱼群的寻优精度、寻优质量及鲁棒性,并且避免了人工鱼群过早收敛。     

配送中心选址问题的BFO-AFSA算法研究

以细菌觅食算法改进的人工鱼群算法为工具,提出了一种新的解决配送中心选址问题的群智能算法。细菌觅食算法改进的人工鱼群算法主要针对基本人工鱼群算法后期容易陷入局部最优的缺点,利用细菌觅食算法局部搜索能力强的特点,将细菌觅食算法中的趋化思想应用到基本人工鱼群算法中。通过算法测试可以看出,改进人工鱼群算法在搜索精度、可靠性、优化速度及稳定性方面相对于基本鱼群算法更有效。通过选址实例仿真可以看出,改进人工鱼群算法在解决配送中心选址问题上相对于基本鱼群算法更具优越性,改进人工鱼群算法能够寻找到更低的成本。     

基于改进量子旋转门人工鱼群算法的K-means聚类算法及其应用

为改进传统K-means聚类算法中存在因随机选择初始质心而导致聚类结果不稳定且准确度低的缺点,提出基于改进量子旋转门人工鱼群算法的K-means聚类(IQAFSA)算法,通过动态更新量子旋转门的旋转角提高下一代更新方向准确度及更新速度。变异策略从传统的非门改为H门,既增加种群的多样性,又使全局搜索能力增强;最终使用所改进算法选取K-means的初始质心再进行聚类。通过UCI数据的测试以及在医学相关数据上的实验表明,提出的算法具有有效性,准确度较高且收敛速度较快。     

一种基于人工鱼群的混合聚类算法

聚类分析是数据挖掘的核心技术之一,它是一种无导师监督的模式识别方式。聚类分析就是按照数据间的相似程度,依据特定的准则将数据划分成不同子类。文中通过分析K-平均算法的优缺点,提出了一种基于人工鱼群算法的聚类分析算法,并把它与传统的K-平均算法结合得到一种新的混合聚类算法。仿真实验表明,该算法是有效的,具有聚类速度快、精度高特点。     

基于人工鱼群算法的协同过滤推荐算法

基于原始人工鱼群算法,提出在觅食行为中保留较优值以替代随机值,在追尾和聚群行为中比较最优值和中心值再作移动行为的选择,在迭代进行中,实现视野的自适应调整.这样改进后的人工鱼群算法应用于协同过滤推荐系统中,实现用户聚类,从而提高协同过滤推荐系统的最近邻查询速度,降低搜索开销.实验测试结果显示了改进的人工鱼群算法具有收敛速度快,稳定性高的特性,且能获得较优的聚类目标值.将改进的人工鱼群算法用于协同过滤推荐算法中,提高了算法的推荐精度.     

结合初始中心优化和特征加权的K-Means聚类算法

为了提高传统K-Means聚类算法的聚类准确性,提出一种结合初始中心优化和特征加权的改进K-Means聚类算法。首先,根据样本特征对聚类的贡献程度获得初始特征权重,构建一种加权距离度量。其次,利用提出的初始聚类中心选择方法获得k个初始聚类中心,并结合初始特征权重进行初步聚类。然后,根据聚类精度来调整特征权重并再次执行聚类过程。重复执行上述过程直到聚类精度不再变化,获得最终的聚类结果。在UCI数据库上的实验结果表明,与现有相关K-Means聚类算法相比,该算法具有较高的聚类准确性。