排序方式: 共有3条查询结果,搜索用时 0 毫秒
1
1.
针对粒子群优化算法容易陷入局部最优且K-means算法受聚类数及初始聚类中心的选取影响较大,提出了一种改进的简化均值粒子群K-means优化聚类算法(ISMPSO-AKM).一方面,在简化粒子群算法的基础上,加入邻域最优粒子,由个体最优位置、全局最优位置及邻域最优位置线性组合改进位置公式.另一方面,构造一种基于余弦函数和对数函数的惯性权重,实现对惯性权重的动态调整.此外,引入AKM聚类算法确定聚类数,动态获取初始中心,进一步提高算法的准确性.仿真实验表明,改进的ISMPSO-AKM算法具有更快的收敛速度,更高的求解精度及更稳定的聚类结果. 相似文献
2.
针对大数据存在的高维、强约束和多目标等复杂优化问题,本文提出一种改进的群智能优化算法——狮群简化粒子群算法(LSA-SPSO).该算法将狮群算法的分组思想融入简化粒子群优化算法中,将粒子分为三组寻优,每组使用不同的学习因子和学习维度向量,以此帮助种群执行不同的搜索机制,从而增强了种群的多样性.此外,引入种群育种,有利于粒子跳出局部最优位置,提高了算法的全局搜索性能.仿真实验表明,本文提出的改进算法有效改善了传统群智能算法中存在的不足,可以更好的应用到大数据中. 相似文献
3.
1