论文部分内容阅读
传统优化算法求解日益复杂的工程问题表现得力不从心。模拟自然界生物体的简单本能行为而提出的群智能算法,具有简单易操作、分布式计算机制、强鲁棒性、扩展性良好以及适应性广泛等特点,为求解该类问题开辟新方法。烟花算法是模拟烟花在夜空中爆炸过程,对周围领域空间进行搜索,具有机理简单和寻优能力强等优点,同时带有智能算法共通的缺点。因算法提出时间晚,算法的理论深度不足以及应用领域并没有完全推广开来,在求解离散域问题以及大数据分析等领域基本上还是空白,因此需深入研究烟花算法。主要工作如下：(1)重点介绍一些比较成熟的群智能算法的原理、操作流程以及国内外研究现状,并对算法的改进以及算法的应用领域做了综述,简述了若干新颖的智能算法。(2)针对基本烟花算法的缺点,改变爆炸方式增加种群多样性,增加越界处理有效利用越界烟火,引入信息交流算子使个体间信息交流快捷。用基准函数测试,并与经典算法对比,结果表明加快了算法的收敛速度,精度明显提高,基本均能达到理论极值。(3)针对组合优化中0-1背包问题的求解,提出离散化烟花算法,采用离散整数编码取代Sigmoid函数离散化的传统方法,并且引入贪心策略。算法在3个数据集上测试,并与DPSO、GA和ACO算法比较,结果表明离散烟花算法的收敛速度快且精度高。(4)将改进的烟花算法应用到聚类中,提出适用于聚类的烟花算法。用3种UCI数据测试,并与K-mediods、SOPSO及GSO算法比较,聚类结果显示算法性能良好。(5)针对一些聚类算法的不足,结合PPI网络特性,受烟花爆炸启示,提出一种基于烟花爆炸机制的PPI网络聚类模型。根据网络特性,为每个结点定义能量,根据拓扑势理论定义烟花爆炸半径,将在爆炸半径之内且与爆炸点的拓扑势大于0的结点聚集成一类。算法在MIPS、Krogan、Gavin及DIP4个数据集上测试,并与MCODE、MCL、CPCA以及COACH算法比较,算法在F-score、Avg.F及Accuracy上有所提高。