论文部分内容阅读
随着信息技术的迅猛发展,人工智能优化技术也日趋成熟,聚类分析和群体智能作为当今研究的热点已受到世界各国研究人员的广泛关注,并应用于多个领域。本文主要是利用群体智能优化算法所特有的性能对传统聚类分析问题进行研究,将蝙蝠优化算法及鸡群优化算法进行改进并同传统聚类分析算法相结合,实现对聚类分析问题的求解。本文所完成的主要工作如下:1.针对传统蝙蝠优化算法容易陷入早熟收敛等缺点,提出一种混合改进的蝙蝠优化算法。首先,在算法中通过引入莱维飞行的随机游走特性,使得蝙蝠群体在进行全局搜索时能够更好、更全面地在解空间中进行搜索;其次,在算法进行局部搜索时,将阈值判断和脉冲发射率判断局部极值的方式结合,使算法拥有更好的跳出局部极值的能力;最后,对迭代寻优过程中个体的位置更新方式结合非线性惯性权重因子,实现平衡算法执行过程中的全局搜索和局部寻优的目的。2.针对传统鸡群优化算法自身固有的缺陷,提出基于改进模拟退火的鸡群优化算法和基于差分变异的鸡群优化算法。第一种改进的主要思想是在种群初始化时利用反向学习机制和边界变异的思想,使得算法能够在解空间进行广泛搜索,同时在改进母鸡位置更新方式的基础上利用改进退温函数的模拟退火思想对当前最优个体进行扰动,Metropolis接受准则能够有效提高算法寻优精度和收敛效率。第二种改进的主要思想是通过对鸡群中占据重要地位的母鸡位置更新方式提出新的改进优化,同时引入阈值判断当前最优个体是否陷入局部极值,并利用差分扰动更新方式对当前最优个体进行扰动,使得算法具有良好的跳出局部极值能力,从而实现全局最优值的搜索。3.利用群体智能优化算法的特性能有效改进聚类算法聚类效率思想,将本文所提出的改进蝙蝠优化算法和混合差分变异的鸡群优化算法与传统聚类分析算法结合,实现聚类分析效率和精度提高的目的。