基于粒子群優(yōu)化和差分進(jìn)化的智能算法研究.pdf

1、粒子群優(yōu)化算法和微分進(jìn)化算法是近年來(lái)提出的兩種簡(jiǎn)單而高效的進(jìn)化算法，因?yàn)樗鼈円子诶斫夂蛯?shí)現(xiàn)，以及受控參數(shù)少等優(yōu)點(diǎn)，一經(jīng)提出就得到了廣泛的研究和應(yīng)用。本文詳細(xì)闡述了二者的基本內(nèi)容，基于粒子群優(yōu)化算法和微分進(jìn)化算法提出了兒種新的優(yōu)化算法，并重點(diǎn)研究了PSO和DE算法在K-means聚類優(yōu)化問(wèn)題中的應(yīng)用。主要研究?jī)?nèi)容如下：
　　 ⑴對(duì)PSO算法和DE算法的原理進(jìn)行了詳細(xì)地闡述，分析了參數(shù)設(shè)置對(duì)算法優(yōu)化效果的影響，給出了算法流程。

2、>　　 ⑵給出兩種改進(jìn)的粒子群算法.一是帶有自適應(yīng)變異的量子粒子群優(yōu)化算法，根據(jù)群體適應(yīng)度方差和空間位置聚集度構(gòu)造自適應(yīng)變異算子，以增加種群的多樣性，從而達(dá)到全局尋優(yōu)；二是提出了混沌量子粒子群算法，利用混沌初始化避免種群出現(xiàn)聚結(jié)現(xiàn)象，對(duì)全局極值添加混沌擾動(dòng)實(shí)現(xiàn)全局尋優(yōu)，通過(guò)典型的函數(shù)測(cè)試表明，這兩種改進(jìn)算法既克服了標(biāo)準(zhǔn)粒子群優(yōu)化算法易出現(xiàn)早熟收斂的缺陷，又提高了算法的搜索速度和收斂精度，在很大程度上改善了標(biāo)準(zhǔn)粒子群算法的性能。

3、　　 ⑶提出了一種帶有自適應(yīng)變異的混合差分進(jìn)化算法，采用DE/best/1和DE/rand/1線性遞減加權(quán)組合變異方案。引入開(kāi)口向上拋物線縮放因子取值策略和指數(shù)遞增交叉概率因子，以平衡局部搜索和全局搜索能力，提高算法的全局尋優(yōu)能力。后期，根據(jù)適應(yīng)度方差和空間位置聚集度進(jìn)行自適應(yīng)變異增加種群的多樣性。實(shí)驗(yàn)結(jié)果表明新算法是一種收斂速度快、求解精度高、魯棒性較強(qiáng)的全局優(yōu)化算法。
　　 ⑷針對(duì)K均值算法易陷入局部尋優(yōu)及對(duì)初始值敏感的缺

4、點(diǎn)，結(jié)合PSO和DE算法全局尋優(yōu)能力強(qiáng)的特性。將K-means算法的迭代過(guò)程由PSO和DE算法來(lái)替代，協(xié)同進(jìn)化，比較兩種算法的最優(yōu)值，輸出尋優(yōu)結(jié)果較好的，利用不同的評(píng)判指標(biāo)進(jìn)行評(píng)判，并與基本K-means算法、基于PSO優(yōu)化的K均值聚類算法(KPSO)及基于DE算法的K均值聚類算法(KDE)進(jìn)行比較，實(shí)驗(yàn)結(jié)果表明，融合PSO和DE的改進(jìn)的K-means算法，有很強(qiáng)的全局尋優(yōu)能力，是一種可靠的聚類方法。同時(shí)，也增強(qiáng)了PSO和DE算法的應(yīng)用