混合群智能算法及其在聚类分析中的应用研究

摘要

单一的群智能算法在解决较为复杂的优化问题时，都或多或少地受到自身或原理的限制，存在如下缺点：易陷入局部极值，产生早熟现象，泛化能力弱和结果精度不高等。混合群智能优化算法综合考虑了算法之间的差异性和互补性，然后按照某种规则将两种或多种群智能算法融合在一起或是将其他优化思想引入单种群智能算法中，取长补短以实现信息的增值和优势互补，进而增强算法的整体优化性能。本文研究混合改进鲸鱼优化算法和粒子群算法，并用于解决函数优化、聚类分析和模糊聚类图像分割问题。 主要研究工作如下： （1）提出了一种具有Levy Flight特征的鲸鱼优化算法(LFWOA)，通过在鲸鱼收缩包围猎物的过程中引入Levy飞行策略，提高了鲸鱼优化算法的全局搜索能力和收敛精度，有效跳出局部最优区域。通过与WOA和其他两种算法在13个测试函数中的仿真结果对比，证明LFWOA可以避免陷入局部最优，且收敛精度高。 （2）考虑PSO和LFWOA间的差异性和互补性，根据算法融合思想，提出基于Levy飞行鲸鱼群与粒子群并行融合的混合群智能算法(PS-LFWOA)。该算法采用并行机制实现协同优化过程，并通过交叉、替换操作实现个体间的信息交互，以增加迭代后期群体多样性，平衡算法的局部开发能力和全局探索能力。通过对23个基准函数测试仿真，验证了混合算法在收敛速率、群体多样性、稳定性和收敛结果精度上均有提高。 （3）提出了一种改进的鲸鱼群模糊C-均值聚类算法，改进体现在四个方面：目标函数设计，综合考虑了类内紧凑性与类间分离性的关系；自适应收敛因子，有效平衡鲸鱼搜索过程的全局搜索和局部开发能力；交叉变异策略，提高算法收敛速率和增加种群多样性；监测机制，实现鲸鱼算法与FCM间的动态结合。通过对5组数据集进行数据聚类，验证了该混合算法获得的聚类结果类内紧凑，类之间分离较远，且具有较高的聚类准确性和稳定性。 （4）针对FFCM算法对初始值设置敏感的问题，提出了一种基于鲸鱼优化的快速FCM图像分割方法。该算法在鲸鱼算法的搜索策略和收敛速度方面提出了改进措施，通过仿真实验，验证了该算法在解决图像分割问题时能够减少图像信息的丢失，缩短寻找最优聚类中心的时间，改善图像分割效果。

目录

第一个书签之前

摘要

ABSTRACT

插图索引

表格索引

符号对照表

缩略语对照表

第一章 绪论

1.1 研究背景与意义

1.2 国内外研究现状

1.3 聚类算法存在问题及研究方向

1.4 主要内容和结构安排

第二章 相关理论基础

2.1 群智能优化算法

2.1.1 粒子群算法

2.1.2 鲸鱼优化算法

2.2 Levy Flight策略

2.3 优化问题

2.4 基准函数

2.5 本章小结

第三章 基于Levy飞行鲸鱼群与粒子群混合智能优化算法

3.1 具有Levy飞行特征的鲸鱼优化算法

3.1.1 LFWOA算法思想及步骤

3.1.2 仿真结果及分析

3.2 基于Levy飞行鲸鱼群与粒子群混合智能优化算法

3.2.1 算法描述

3.2.2 探索能力分析

3.2.3 仿真结果及分析

3.3 本章小结

第四章 改进的模糊C-均值聚类算法及其应用

4.1 聚类分析

4.2 模糊C-均值聚类算法

4.2.1 算法思想及步骤

4.2.2 算法优缺点

4.3 改进的鲸鱼群模糊C-均值聚类算法

4.3.1 数据预处理

4.3.2 算法的描述及流程

4.3.3 聚类有效性指标

4.3.4 实验与结果分析

4.4 基于鲸鱼优化的快速FCM图像分割方法

4.4.1 基于快速FCM算法的图像分割

4.4.2 算法的思想及流程

4.4.3 实验仿真与分析

4.5 本章小结

第五章 总结与展望

5.1 总结

5.2 展望

参考文献

致谢

作者简介

1. 基本情况

2. 教育背景

3. 攻读硕士学位期间的研究成果

3.1 发表学术论文

3.2 申请（授权）专利