改进的模糊聚类算法在入侵检测中的研究

模糊C均值聚类算法存在自身对初始化值敏感,及其目标函数是非凸的,容易陷入局部极值点而得不到最优解的问题。结合粒子群优化算法的全局快速搜索能力,改进了目标函数,提出了改进的模糊C均值聚类算法。通过理论分析及实验证明,该算法具有较好的全局最优解,有效地克服了传统模糊C聚类算法的缺点,在入侵检测中能获得满意的检测率和误报率。     

基于改进引力搜索的混合K-调和均值聚类算法研究

为了解决聚类算法容易陷入局部最优的问题,以及增强聚类算法的全局搜索能力,基于KHM算法以及改进的引力搜索算法,本文提出一种混合K-调和均值聚类算法（G-KHM）。G-KHM算法具有KHM算法收敛速度快的优点,但同时针对KHM算法容易陷入局部最优解的问题,在初始化后数据开始搜索聚类中心时采用了一种基于对象多样性及收敛性增强的引力搜索算法,该方法改进了引力搜索算法容易失去种群多样性的缺点,并同时具有引力搜索算法较强的全局搜索能力,可以使算法收敛到全局最优解。仿真结果表明,G-KHM算法能有效地避免陷入局部极值,具有较强的全局搜索能力以及稳定性,并且相比KHM算法、K-mean聚类算法、C均值聚类算法以及粒子群算法,在分类精度和运行时间上表现出了更好地效果。     

一种基于PSO的模糊聚类算法

在大量的模糊聚类算法中,模糊C均值聚类算法是应用最为广泛的,然而它存在着一些缺点:对初始值敏感,对噪声数据敏感,容易陷入局部最优。针对以上问题,提出了一种基于粒子群优化的模糊聚类算法,利用粒子群强大的全局寻优能力,这种算法克服了模糊C均值聚类算法的缺点,试验证明,这种算法是一种很有潜力的模糊聚类算法。     

量子粒子群优化改进的模糊C均值聚类算法

针对模糊C-均值(FCM)聚类算法对初始聚类中心选择敏感,易陷入局部最优的问题,提出一种量子粒子群优化改进的模糊C均值聚类算法。该算法引入的基于新距离标准的量子粒子群(AQPSO)算法不仅可以降低初始点敏感度,较快地收敛到最优解,而且能够提高全局搜索能力。仿真实验证明,该融合算法在摆脱局部最优区域,保证收敛速度同时使得聚类效果较好。     

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.     

色彩量化的模糊粒子群优化技术

把粒子群算法应用到色彩量化中,结合已有的模糊C均值聚类量化方法,提出了一种基于粒子群优化的色彩量化算法。模糊C均值聚类量化算法是一种局部搜索算法,对初始值较为敏感,容易陷入局部极小值而不能得到全局最优解;PSO算法是一种基于群体的具有全局寻优能力的优化方法。将模糊C均值聚类量化算法和PSO算法结合起来,把模糊C均值聚类量化算法的聚类准则函数作为PSO算法中的粒子适应度函数。仿真实验表明,新算法在均方根误差和峰值信噪比评判准则下能够得到最优的量化结果。     

基于量子粒子群算法的聚类分析方法

针对K-均值聚类方法受初始聚类中心影响,容易陷入局部最优解的问题,提出一种基于量子粒子群算法的聚类方法,该方法引入了动态调整量子门旋转角和量子变异操作,采用改进的变异算子,使粒子群体保持品种的多样性和优良性,避免陷入局部最优,同时结合粒子群优化算法,增加粒子群的全局搜索能力。仿真实验表明该方法在全局寻优能力和收敛效率上都有所提高。     

改进的粒子群模糊聚类算法

针对传统的模糊C-均值聚类算法对初始聚类中心较敏感、易陷入局部最优的缺点,将粒子群优化算法和FCM算法相结合,提出一种改进的模糊聚类算法。该算法利用粒子群算法的全局搜索能力代替FCM算法寻找初始聚类中心,使其跳出局部最优,实现模糊聚类。主要从反映数据集分类的类内紧致性程度和类间分离性程度的角度考虑,重新设计适应度函数。实验结果表明,提出的算法在聚类正确率和有效性指标上有更好的效果。     

融合粒子群和混合蛙跳的模糊C-均值算法

针对模糊聚类算法中存在的对初始值敏感、易陷入局部最优等问题,提出了一种融合粒子群算法和混合蛙跳算法的模糊C-均值聚算法。通过设计了一种新颖的搜索粒度系数,充分利用粒子群算法收敛速度快、局部搜索能力强的优点与混合蛙跳算法全局寻优能力强、跳出局部最优能力好的特点,同时对SFLA中更新算法进行了改进。实验结果表明,该算法提高了模糊聚类算法的搜索能力和聚类效果,在全局寻优能力、跳出局部最优能力、收敛速度等方面具有优势。     

混沌粒子群与模糊聚类在图像分割中的应用

模糊C均值聚类算法是目前使用最广泛的模糊聚类算法,但是该算法也有其局限性,比如在迭代过程中对初始值非常敏感,极容易陷入局部极小值,以至于得不到最佳聚类结果。将粒子群优化算法应用到模糊C均值聚类算法中,提出一种基于混沌粒子群的模糊C均值聚类算法。它能够利用粒子群算法强大的全局寻优能力避免算法收敛于局部极值,最大程度上达到全局最佳聚类结果。为了避免粒子在迭代过程中停滞,该算法引入了混沌变量,以当前的全局最优位置来产生一个混沌序列,用混沌序列中拥有最优适应值的粒子随机代替当前粒子群中的一个粒子。将基于混沌粒子群的模糊C均值聚类算法应用于图像分割中,实验结果表明该算法能够有效地分割图像,并具有良好的鲁棒性和适应性。     

基于混合身份搜索黏菌优化的模糊C-均值聚类算法

针对模糊C-均值聚类算法(fuzzy C-means clustering, FCM)对于初始化聚类中心敏感、收敛速度慢,聚类效果不稳定且容易陷入局部最优等问题,提出了一种将黏菌(SMA)与青少年身份搜索(AISA)相融合的自适应优化模糊C-均值算法(AISA-SMA-FCM)。该算法首先通过引入AISA算法中的青少年社会机制,改善SMA算法中的全局搜索和局部开发性能。克服了SMA对于高维数据及部分混峰数据不敏感的缺陷,通过标准测试函数验证改进后的混合AISA-SMA算法寻优求解性能更为优秀;其次此算法用于FCM聚类算法的迭代机制中,通过将AISA-SMA聚类环节加入FCM算法聚类中心迭代过程中,使FCM算法获得自适应优化算法相同的特性,即算法在每次迭代中都将具有探索和开发两个过程,并依据循环迭代次数调节比重,求解聚类结果;最后通过UCI标准数据集仿真测试,利用适应度平均值与聚类正确率评价所提算法的稳定性与有效性,结果表明,AISA-SMA算法用于FCM聚类问题效果较好,AISA-SMA-FCM算法较其他聚类方式和相应的优化技术具有收敛速度快、求解精度高的优点。     

基于粒子群优化的模糊C-均值聚类改进算法

针对模糊C-均值聚类算法(FCM)存在易陷入局部优化的问题,将粒子群优化算法(PSO)和模糊C-均值聚类算法FCM相结合,提出了一种新的模糊聚类算法PSO-FCM.该算法使用PSO算法来代替FCM的迭代过程以实现模糊聚类,具有了很强的全局搜索能力,从而不用再为得到好的聚类效果而反复选择初值.仿真实验结果表明,提出的模糊聚类算法提高了FCM的搜索能力,具有更好的稳定性和健壮性,优化能力增强,提高了聚类的效率和效果.     

基于PSO的模糊聚类算法

提出了一种基于模糊C-均值算法和粒子群算法的混合聚类算法。该算法结合PSO的全局搜索和FCM局部搜索的特点，将PSO优化聚类结果作为后续FCM算法的初始值，有效地克服了FCM对初始值敏感、易陷入局部最优和PSO算法局部搜索较弱的问题，同时增强了跳出局部最优的能力。实验表明，新算法得到的目标函数值更小，并能减小分类错误率，聚类效果优于单一使用FCM或PSO。     

多阈值图像分割的模糊粒子群优化算法

把粒子群算法应用到多阈值图像分割中,结合已有的模糊C-均值聚类法提出了一种基于模糊技术的粒子群优化多阈值图像分割算法。FCM聚类算法是一种局部搜索算法,对初始值较为敏感,容易陷入局部极小值而不能得到全局最优解。PSO算法是一种基于群体的具有全局寻优能力的优化方法。将FCM聚类算法和PSO算法结合起来,将FCM聚类算法的聚类准则函数作为PSO算法中的粒子适应度函数。仿真实验表明新算法在最大熵评判准则下能够得到最优阈值。     

新的混合模糊C-均值聚类算法

基于量子行为的粒子群算法(QPSO)是一种改进的粒子群优化算法.它使用的参数个数少,在解的收敛性和全局搜索能力上优于基本的粒子群算法(PSO).将QPSO算法与模糊C-均值(FCM)算法相结合提出一种新的混合模糊C-均值聚类算法(QPSO-FCM),新算法代替了FCM算法的基于梯度下降的迭代过程,在一定程度上克服了FCM算法易陷入局部极小的缺陷,降低了FCM算法的初值敏感度.实验结果表明,改进后的新算法与FCM算法和PSO与FCM结合算法相比,具有良好的收敛性,聚类效果也有较好的改善.     

一种基于萤火虫算法的模糊聚类方法

针对模糊C-均值聚类对初始值敏感、容易陷入局部最优的缺陷,提出了一种基于萤火虫算法的模糊聚类方法。该方法结合萤火虫算法良好的全局寻优能力和模糊C-均值算法的较强的局部搜索特性,用萤火虫算法优化搜索FCM的聚类中心,利用FCM进行聚类,有效地克服了模糊C-均值聚类的不足,同时增强了萤火虫算法的局部搜索能力。实验结果表明,该算法具有很好的全局寻优能力和较快的收敛速度,能有效地收敛于全局最优解,具有较好的聚类效果。     

Non-parametric particle swarm optimization for global optimization

In recent years, particle swarm optimization (PSO) has extensively applied in various optimization problems because of its simple structure. Although the PSO may find local optima or exhibit slow convergence speed when solving complex multimodal problems. Also, the algorithm requires setting several parameters, and tuning the parameters is a challenging for some optimization problems. To address these issues, an improved PSO scheme is proposed in this study. The algorithm, called non-parametric particle swarm optimization (NP-PSO) enhances the global exploration and the local exploitation in PSO without tuning any algorithmic parameter. NP-PSO combines local and global topologies with two quadratic interpolation operations to increase the search ability. Nineteen (19) unimodal and multimodal nonlinear benchmark functions are selected to compare the performance of NP-PSO with several well-known PSO algorithms. The experimental results showed that the proposed method considerably enhances the efficiency of PSO algorithm in terms of solution accuracy, convergence speed, global optimality, and algorithm reliability.     

基于模拟退火粒子群算法的FCM聚类方法

针对模糊C-均值（FCM）聚类算法易陷入局部极小值和对初始值敏感的缺点,提出了一种基于模拟退火粒子群优化的模糊聚类算法。该算法利用粒子群强大的全局寻优能力和模拟退火算法跳出局部极值的能力,克服了模糊C-均值聚类算法的不足。实验表明,该算法有很好的全局收敛性,能够较快地收敛到最优解。     

基于改进的粒子群算法和信息熵的知识获取方法

针对粒子群优化算法（PSO）易陷入局部优化的问题,在PSO算法加入交叉变异算子,克服了标准PSO算法易陷入局部最优的不足;并将改进的PSO算法和模糊C 均值聚类相结合,提出了一种新的模糊聚类算法CMPSO FCM,该算法具有良好的搜索能力和聚类效果。进而将聚类得到的属性隶属矩阵用于属性约简,并提出一种基于信息熵的模糊粗糙集知识获取的方法。实验和实例分析表明该方法的正确性和有效性。