文档下载 文档下载导航
设为首页 | 加入收藏
搜索 请输入内容:  
 导航当前位置: 文档下载 > 所有分类 > 粒子群聚类算法综述
侵权投诉

粒子群聚类算法综述

研究综述

4426

计算机应用研究

第26卷

与传统的Pso不同,QPSo算法采用新的速度和位置更新式以及一个收缩扩展系数口,期颦解决以往Ps0算法不能伞局收敛的问题。QPsO聚类算法的基本思路与算法l大体~致,仅用QPS0算法代替传统的PS0算法,利用QPs0算法更新粒子的位置从而达到优化簇的质心的目的。文献[20]进一步改进了QPsO算法,用一个自适应函数代替QPS0算法位置更新式中的参数口。

文献[21]使用predator

prey

panicle

sw锄I

o叫rIlization(PPPS0)算法对模糊聚类方法进行优化。在PPPs0算法中,捕食者以被捕食者群体的中心为目标追击被捕食者,被捕食者则尽力逃离捕食者,算法通过上述机制达到有效避免局部最优解和找到全局最优解的目的。

J盯boui等人旧1提出了一种基于combinatorial

panicle

sw姗opfimiza【ion(cPS0)算法的划分聚类方法。该方法中每

个粒子包含四个长度为,v的字串(,v为数据集的规模)P、X、y和y,通过对这些字串的操作完成对数据的划分。

郑晓鸣等人旧1提出了一种基于免疫粒子群优化Ⅲo的聚类算法。该算法在粒子群迭代的过程中加入免疫接种机制指导粒子的飞行方向,再通过免疫选择机制对接种的结果进行选择,确保粒子种群向更优的方向移动,克服了聚类算法容易受初始聚类中心影响的缺陷,而且能更好地指导种群朝着最优方而进化。文献[25,26]则分别将免疫粒子群优化算法与K-me蚰s和FcM算法结合用于聚类。3.4粒子群自动聚类算法

除了将粒子群优化算法与传统聚类方法结合用于改进传统聚类算法外,一些研究者也已经尝试应用粒子群优化算法解决自动聚类问题。

现有的聚类方法通常将簇的个数视为给定条件并作为输入而不是在运行中确定。然而在很多情况下,一个数据集中簇的合适数目是未知的或不能近似确定的。找到一项大规模复杂数据集的簇的最佳数目是一项极富挑战性的任务。2005

年,0m瑚等人旧L驯提出了一种基于二进制粒子群优化算法

(binaryPS0)旧1的能够动态得出簇的个数的划分聚类算法

DcP!sO。该算法尝试应用bjnaryPS0算法找出一个大规模数据集的簇的最佳数目,并使用一个有效性索引评价得到的簇。

Cohen等人脚1提出了一种新的基于PsO算法的聚类方法——particlegwamclu8t硎ng(PSc)算法。Psc算法的主要特征是在输入样本空间产生一群粒子并使之移动。这些粒子最终成为代表输入数据自然聚簇的原型。Psc算法不使用适应度或品质函数来评价粒子的性能,仅仅简单地移动这些粒子使之处在代表自然聚簇的空间区域内,通过整个粒子群完成聚簇。Psc算法与其他Ps0聚类算法的区别是:在其他Ps0聚类算法中,每个粒子被视为问题的解的全部,而在Psc算法中,每个粒子代表一个簇的原型,因此只是解的一部分,只有通过整个粒子群才能完成聚簇。它们的另一个不同是Psc算法不使用适应度或品质函数来评价粒子的性能,它仅仅简单地移动这些粒子使之处在代表白然聚簇的空间区域内。PsC算法能够单纯依靠粒子群智能系统完成聚类操作,代表了今后粒子群聚类算法发展的方向。

4粒子群聚类分析技术的具体应用

由于对粒子群聚类算法的研究方兴未艾,现有的研究大多

万方数据

集中于对算法的分析与设计,并且多在标准数据集上对算法的性能进行评价,将粒子群聚类算法直接应用于具体领域的还比较少。现有的应用方向主要有图像分割与识别、文本聚类、基于聚类的入侵检测以及空间约束聚类等。

cui

xiao.hui等人口¨将基于Ps0的混合算法用于文本文

件的分类。他们应用Pso、K-mea璐和混合Ps0算法对四种不同的文本文件数据集进行聚类,结果显示,混合Ps0算法可以

在较短时间内得到比K—me粕s算法更紧致的聚簇结果。

文献[32]将PSO方法和K me帅方法相结合的聚类算法

Ps0-KM应用于无监督异常入侵检测。该算法不依赖于输入样本和初始权值的选择,具有比K-means方法更好的全局搜索能力。在KDD

cup

1999数据集上进行实验表明,当误报率为

2.8%时,检测率为86%;该方法对Pmbe、DoS和u2R攻击类型的检测有效,正确度为78%(U2R)一94%(Dos);对ft2L攻击类型的检测无效,正确度仅为22%。

文献[33]将基于质心划分的Ps0聚类用于x光图像中的鱼骨检测。对于x光图像的灰度值分布,将高斯分布工具与形态学方法结合用于图像预处理,以消减图像数据的规模并得到一个有效区域(oneregion0f

interest,ROI)。PsO聚类方法用

于将R01分割成不同的簇。与传统图像分割技术Me卸shift

比较该方法更有效。

文献[34]提出用PsO方法解决带有障碍约束的空间聚类(spatial

clustering

winlobskIcles

constraints,SCOC)问题。PK-

SCOC算法首先基于MAKLINK图表使用Ps0算法得到最佳障碍路径,然后将Ps0和K medoids结合对带有障碍约束的空间速度和全局搜索能力,还考虑了空间数据聚类的障碍约束和实本文分析了现有的各种粒子群聚类算法,针对每种算法分高尚等人¨驯曾使用粒子群优化算法对四种常见的测试函a)自动发现簇和簇的数目。粒子群系统是一个具有自组数据进行聚类。该方法不仅考虑了如何获得更高的局部收敛用性问题。

5总结和展望

别从算法思想、基本原理以及实验结果上进行了说明与分析,并列举r粒子群聚类算法的几种典型应用。从实验结果看,混合算法能够普遍获得优于传统聚类算法的聚类有效性评价指数,同时能够大大降低传统聚类方法陷入局部最优的概率,并能在一定程度上降低传统方法对初值的敏感度。其存在的不足是算法的收敛速度普遍较慢,且不能同时解决传统聚类算法的其他问题。

数进行优化。从优化的结果可以发现,在基本算法思想既定的情况下,优化算法的有效性与测试函数密切相关,或粒子群优化算法受测试函数的影响显著。由于混合算法均是建立在传统聚类算法的基础之上,受到传统聚类技术对聚类问题的认知模式的束缚,粒子群优化算法在混合算法中只能起到对传统聚类算法的改进作用,并不能解决传统聚类算法的深层次问题。未来的粒子群聚类技术应摆脱传统聚类方法的束缚,实现直接依靠粒子群系统的集群行为和在自组织原则指导下的随机搜索和优化能力完成聚类。其研究方向和问题主要有:

织和涌现特征的群智能系统,未来粒子群聚类算法应试图通过由数据对象驱动的自动聚集方式找到数据集本身所蕴涵的原始簇及其数目,避免使用传统的聚类有效性评价的方法来确定

上一页第4页

你可能喜欢

  • 研究综述
  • 医学综述
  • 遗传算法程序
  • 数据挖掘聚类算法
  • 粒子群算法matlab程序
  • 函数性质
  • 股票预测
  • 高斯函数

热门文档

相关文档

  • 粒子群聚类算法综述_李峻金

    粒子群聚类算法综述_李峻金_机械/仪表_工程科技_专业资料 暂无评价0人阅读0次下载举报文档 粒子群聚类算法综述_李峻金_机械/仪表_工程科技_专业资料。第 26...

  • 粒子群聚类算法综述

    粒子群聚类算法综述_信息与通信_工程科技_专业资料。粒子群算法的概述第26 卷第 12期2009年12月 计算机应用研究ApplicationResearchofComputers Vol.No.2612Dec....

  • 粒子群算法综述

    粒子群算法综述【摘要】 :粒子群算法(pso)是一种新兴的基于群体智能的启发式 全局搜索算法,具有易理解、易实现、全局搜索能力强等特点,倍 受科学与工程领域的广泛...

  • 粒子群聚类算法

    粒子群聚类算法综述 5页 免费 基于粒子群的聚类算法改... 55页 3下载券...%粒子群聚类算法 function [m_pattern]=C_PSO(m_pattern,patternNum) disType=...

  • 微粒群算法综述

    粒子群优化算法及其应用综... 3页 免费 粒子群聚类算法综述 5页 2财富值...2003 M 文章编号: 100120920 ( 2003) 0220129206 微粒群算法综述谢晓锋, 张...

  • 一种基于粒子群算法的聚类算法

    粒子群聚类算法综述 5页 免费 基于粒子群的K均值聚类算... 5页 免费一种基于粒子群算法的聚类算法...

  • 【论文】一种基于粒子群的聚类算法

    一种基于粒子群的聚类算法_专业资料。针对缸中心点算法对初始化敏感和容易陷入局部极值的缺点,提出一种基于粒子群算法和密度初始化改进的K-中心点聚类算法。该算法...

  • 粒子群聚类算法代码

    粒子群聚类算法代码_IT/计算机_专业资料。用MATLAB语言实现的粒子群聚类算法,... 粒子群聚类算法综述 5页 免费 基于粒子群优化的文档聚... 6页 免费 免疫...

  • 基于粒子群优化的文档聚类算法

    粒子群聚类算法综述 5页 免费 粒子群聚类MATLAB代码 4页 1下载券基于粒子群优化的文档聚类算法...

站点地图 | 文档上传 | 侵权投诉 | 手机版
本站所有资源均来自互联网,本站只负责收集和整理,均不承担任何法律责任,如有侵权等其它行为请联系我们.
文档下载 Copyright 2013 doc.guandang.net All Rights Reserved.  -  email