動態(tài)粒子群優(yōu)化算法及其應(yīng)用.pdf

1、隨著計算機和通信技術(shù)的發(fā)展，數(shù)據(jù)的獲取已經(jīng)呈現(xiàn)出高速、連續(xù)、海量的特點，而數(shù)據(jù)流作為這種新的數(shù)據(jù)形態(tài)，成為一個新的研究熱點。為了對數(shù)據(jù)流進行實時分析、維護、并探究數(shù)據(jù)的動態(tài)變化，需要有別于傳統(tǒng)的數(shù)據(jù)聚類技術(shù)，我們稱之為數(shù)據(jù)流聚類技術(shù)。而在傳統(tǒng)聚類算法的研究中，聚類分析在很多情況下都可以作為一種優(yōu)化問題處理，從而把進化算法應(yīng)用到聚類分析中。粒子群優(yōu)化算法作為進化算法的代表，由于其原理簡單、收斂速度快、魯棒性好等優(yōu)勢，在靜態(tài)優(yōu)化問題以及動態(tài)

2、優(yōu)化問題中都有著廣泛地應(yīng)用。因此本文的重點就放在，把數(shù)據(jù)流聚類的問題當作動態(tài)優(yōu)化問題，從而使用動態(tài)粒子群優(yōu)化算法處理數(shù)據(jù)流聚類問題。
　　本文針對當前動態(tài)粒子群優(yōu)化算法研究中的問題，設(shè)計了新的動態(tài)粒子群優(yōu)化算法。根據(jù)數(shù)據(jù)流聚類問題的特點，將新的動態(tài)粒子優(yōu)化算法應(yīng)用于此類問題中。本文的具體工作如下：
　　1.提出了基于正交學(xué)習的多種群動態(tài)粒子群優(yōu)化算法(OLMPSO)。首先，該算法采用了多個種群同時進化的策略，包括一個父種群和

3、多個動態(tài)維護數(shù)量不固定的子種群。算法中，父種群在整個搜索空間進行搜索，尋找有希望的區(qū)域。如果父種群的最優(yōu)值發(fā)生改變，就以這個最優(yōu)值為中心產(chǎn)生一個新的子種群。接下來，子種群深度挖掘父種群得到的有希望的區(qū)域。為了保證子種群的搜索效率，算法還采用了子種群重疊檢測機制，如果兩個子種群的中心粒子距離小于一個閥值，就刪除其中一個比較差的子種群。此外，為了提高子種群的收斂速度和準確率，子種群采用了正交學(xué)習粒子群優(yōu)化算法（OLPSO）進行更新迭代。最后

4、，為了更快地追蹤環(huán)境變化之后的極值，子種群中的所有粒子在環(huán)境變化之后會在上一時刻粒子的最優(yōu)值附近進行隨機搜索。實驗的結(jié)果表明，相對于其他對比算法，OLMPSO的性能在絕大多數(shù)情況下都是最好的。
　　2.提出了基于正交學(xué)習的多種群動態(tài)粒子群優(yōu)化算法的數(shù)據(jù)流聚類算法(OLMPSO-Stream)。算法的主要思想是通過構(gòu)建優(yōu)化模型，將數(shù)據(jù)流聚類問題中數(shù)據(jù)隨時間變化的過程看作動態(tài)優(yōu)化問題中的環(huán)境變化，進而轉(zhuǎn)化為動態(tài)優(yōu)化問題進行處理。算法首