本文關(guān)鍵詞：粒子群優(yōu)化算法及其在生物數(shù)據(jù)聚類中的應(yīng)用，由筆耕文化傳播整理發(fā)布。

【摘要】：在信息技術(shù)高速發(fā)展的今天,許多領(lǐng)域都積累了海量的數(shù)據(jù),挖掘這些數(shù)據(jù)的內(nèi)部聯(lián)系、獲得有用的信息已成為社會(huì)進(jìn)步的迫切需求。作為數(shù)據(jù)挖掘技術(shù)的重要手段,聚類分析方法受到了廣大科研工作者的密切關(guān)注與研究。由Kennedy和Eberhart最先提出的粒子群優(yōu)化(Particle Swarm Optimization, PSO)算法是一種基于種群的自適應(yīng)隨機(jī)算法,并已被實(shí)踐證明是一種有效的全局優(yōu)化算法。PSO因原理簡(jiǎn)單、設(shè)置參數(shù)少、收斂速度快及在復(fù)雜優(yōu)化問(wèn)題上的良好表現(xiàn)被廣泛應(yīng)用于數(shù)據(jù)挖掘、機(jī)器學(xué)習(xí)、電力系統(tǒng)及神經(jīng)網(wǎng)絡(luò)等領(lǐng)域。通過(guò)分析標(biāo)準(zhǔn)粒子群聚類算法的機(jī)制,本文提出了基于K-method的快速混沌粒子群算法(FCPSO-K)及環(huán)形鄰域混沌粒子群算法(RCPSO),并改進(jìn)了基于類內(nèi)方差函數(shù)的單目標(biāo)聚類模型。在生物數(shù)據(jù)集上的實(shí)驗(yàn)測(cè)試了這兩種算法的性能,并與其它算法的聚類結(jié)果進(jìn)行了比較。文章的主要工作概括如下：(1)為了克服粒子群算法對(duì)初值敏感的缺點(diǎn),并進(jìn)一步加快種群的收斂速度,提出快速聚類算法FCPSO-K。首先,基于k鄰域距離、核心對(duì)象及密度可達(dá)等概念,得到一種新的初始化方法K-method來(lái)改善聚類初始種群；而后,給出快速混沌粒子群聚類算法(FCPSO-K),該算法將動(dòng)態(tài)目標(biāo)約束處理法(DOM)同K-method與聚類匹配機(jī)制一起結(jié)合到混沌粒子群算法的機(jī)制中。實(shí)驗(yàn)表明,相比K-means、PSO及其它4種基于PSO技術(shù)的聚類算法,FCPSO-K算法的全局尋優(yōu)能力強(qiáng)、收斂速度快、穩(wěn)定性好；而且,FCPSO-K聚類結(jié)果的準(zhǔn)確率更高。(2)針對(duì)粒子群算法易陷入局部極值的不足,將環(huán)形鄰域、混沌因子同粒子群優(yōu)化算法的機(jī)制相結(jié)合,提出一種基于環(huán)形鄰域的混沌粒子群優(yōu)化算法(RCPSO)。在4個(gè)測(cè)試集上比較了不同大小的靜態(tài)、隨機(jī)環(huán)形結(jié)構(gòu)的混沌粒子群算法的聚類效果,得出了RCPSO算法整體聚類準(zhǔn)確率最優(yōu)時(shí)的種群鄰域的大小。(3)為了改進(jìn)單目標(biāo)優(yōu)化聚類模型,給出了一種新的類內(nèi)密度函數(shù),并將其作為評(píng)價(jià)聚類效果的輔助指標(biāo),進(jìn)而提出多目標(biāo)導(dǎo)向的(Multi-objective Oriented)粒子群聚類算法MOOPSO,該算法綜合考慮兩種評(píng)價(jià)指標(biāo)來(lái)指導(dǎo)群體的尋優(yōu)過(guò)程。實(shí)驗(yàn)表明,結(jié)合了類內(nèi)密度函數(shù)的MOOPSO對(duì)聚類結(jié)果的評(píng)價(jià)比PSO算法更加準(zhǔn)確；類內(nèi)密度函數(shù)使得MOOPSO在種群收斂過(guò)程中獲得的分類方案的錯(cuò)誤率基本上能夠持續(xù)地得到改進(jìn)。此外,仿真結(jié)果還驗(yàn)證了類內(nèi)密度函數(shù)能有效提高混沌粒子群算法的聚類準(zhǔn)確度。
【關(guān)鍵詞】：粒子群優(yōu)化 生物聚類 混沌因子 拓?fù)溧徲蚪Y(jié)構(gòu) 多目標(biāo)導(dǎo)向
【學(xué)位授予單位】：江南大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類號(hào)】：TP311.13;TP18
【目錄】：

• 摘要3-4
• Abstract4-8
• 第一章 緒論8-13
• 1.1 研究背景及意義8-9
• 1.2 粒子群優(yōu)化算法的研究現(xiàn)狀9-10
• 1.3 聚類問(wèn)題的研究現(xiàn)狀10-11
• 1.4 本文的主要研究?jī)?nèi)容及創(chuàng)新點(diǎn)11-13
• 1.4.1 組織結(jié)構(gòu)11
• 1.4.2 創(chuàng)新點(diǎn)11-13
• 第二章 粒子群優(yōu)化算法研究13-19
• 2.1 標(biāo)準(zhǔn)粒子群優(yōu)化算法13-14
• 2.2 粒子群優(yōu)化算法的改進(jìn)策略14-18
• 2.2.1 群體的拓?fù)浣Y(jié)構(gòu)14-15
• 2.2.2 混沌理論15-17
• 2.2.3 約束處理機(jī)制17-18
• 2.3 本章小結(jié)18-19
• 第三章 改進(jìn)的混沌粒子群聚類算法19-31
• 3.1 粒子群算法在聚類問(wèn)題中的應(yīng)用19-20
• 3.1.1 類內(nèi)方差19
• 3.1.2 錯(cuò)誤率19-20
• 3.2 基于K-method初值優(yōu)化的快速混沌粒子群聚類算法(FCPSO-K)20-23
• 3.2.1 K-method：種群的初始化方法20-21
• 3.2.2 FCPSO-K算法的聚類流程21-23
• 3.3 算法性能測(cè)試23-30
• 3.3.1 生物數(shù)據(jù)集23-24
• 3.3.2 實(shí)驗(yàn)結(jié)果及分析24-30
• 3.4 本章小結(jié)30-31
• 第四章 基于環(huán)形鄰域的混沌粒子群聚類算法(RCPSO)31-40
• 4.1 種群的環(huán)形鄰域結(jié)構(gòu)31
• 4.2 RCPSO算法的聚類過(guò)程31-32
• 4.3 算法的性能測(cè)試32-39
• 4.3.1 RCPSO算法的聚類實(shí)驗(yàn)結(jié)果及分析32-38
• 4.3.2 RCPSO算法對(duì)函數(shù)優(yōu)化問(wèn)題的實(shí)驗(yàn)結(jié)果及分析38-39
• 4.4 本章小結(jié)39-40
• 第五章 多目標(biāo)導(dǎo)向的粒子群聚類算法(MOOPSO)40-48
• 5.1 基于粒子群算法的聚類問(wèn)題的模型改進(jìn)40-41
• 5.2 MOOPSO算法的聚類流程41
• 5.3 算法的性能測(cè)試41-47
• 5.4 本章小結(jié)47-48
• 第六章 總結(jié)與展望48-50
• 6.1 全文總結(jié)48
• 6.2 工作展望48-50
• 致謝50-51
• 參考文獻(xiàn)51-55
• 附錄：作者在攻讀碩士學(xué)位期間發(fā)表的論文及參加的學(xué)術(shù)活動(dòng)55

【相似文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前10條

1 蒙正中;;一種改進(jìn)的混合粒子群優(yōu)化算法[J];桂林工學(xué)院學(xué)報(bào);2009年03期

2 吳昌友;王福林;馬力;;一種新的改進(jìn)粒子群優(yōu)化算法[J];控制工程;2010年03期

3 周馳,高海兵,高亮,章萬(wàn)國(guó);粒子群優(yōu)化算法[J];計(jì)算機(jī)應(yīng)用研究;2003年12期

4 高鷹,謝勝利;免疫粒子群優(yōu)化算法[J];計(jì)算機(jī)工程與應(yīng)用;2004年06期

5 張榮沂;一種新的集群優(yōu)化方法——粒子群優(yōu)化算法[J];黑龍江工程學(xué)院學(xué)報(bào);2004年04期

6 高鷹;謝勝利;;混沌粒子群優(yōu)化算法[J];計(jì)算機(jī)科學(xué);2004年08期

7 劉釗,康立山,蔣良孝,楊林權(quán);用粒子群優(yōu)化改進(jìn)算法求解混合整數(shù)非線性規(guī)劃問(wèn)題[J];小型微型計(jì)算機(jī)系統(tǒng);2005年06期

8 戴冬雪,王祁,阮永順,王曉超;基于混沌思想的粒子群優(yōu)化算法及其應(yīng)用[J];華中科技大學(xué)學(xué)報(bào)(自然科學(xué)版);2005年10期

9 竇全勝;周春光;馬銘;劉全;;群核進(jìn)化粒子群優(yōu)化方法[J];計(jì)算機(jī)科學(xué);2005年08期

10 范娜;云慶夏;;粒子群優(yōu)化算法及其應(yīng)用[J];信息技術(shù);2006年01期

中國(guó)重要會(huì)議論文全文數(shù)據(jù)庫(kù) 前10條

1 張妍;張曉光;王永鋼;;幾種改進(jìn)型的粒子群優(yōu)化算法[A];第一屆中國(guó)高校通信類院系學(xué)術(shù)研討會(huì)論文集[C];2007年

2 孫紅光;潘毓學(xué);;基于運(yùn)動(dòng)目標(biāo)路徑的粒子群優(yōu)化算法研究[A];第二屆全國(guó)信息獲取與處理學(xué)術(shù)會(huì)議論文集[C];2004年

3 韓毅;唐加福;郭偉宏;劉陽(yáng);;混合粒子群優(yōu)化算法求解多層批量問(wèn)題(英文)[A];中國(guó)運(yùn)籌學(xué)會(huì)第八屆學(xué)術(shù)交流會(huì)論文集[C];2006年

4 金一粟;梁逸曾;;空間自適應(yīng)粒子群優(yōu)化算法的應(yīng)用研究[A];第九屆全國(guó)計(jì)算（機(jī)）化學(xué)學(xué)術(shù)會(huì)議論文摘要集[C];2007年

5 汪榮貴;李守毅;孫見(jiàn)青;;一種新的自適應(yīng)粒子群優(yōu)化算法及應(yīng)用[A];計(jì)算機(jī)技術(shù)與應(yīng)用進(jìn)展·2007——全國(guó)第18屆計(jì)算機(jī)技術(shù)與應(yīng)用（CACIS）學(xué)術(shù)會(huì)議論文集[C];2007年

6 黃雙歡;程良倫;;一種基于粒子群優(yōu)化的快速圖像傾斜角度檢測(cè)算法[A];中國(guó)自動(dòng)化學(xué)會(huì)中南六�。▍^(qū)）2010年第28屆年會(huì)·論文集[C];2010年

7 侯志榮;呂振肅;;基于退火策略的粒子群優(yōu)化算法[A];2003年中國(guó)智能自動(dòng)化會(huì)議論文集（下冊(cè)）[C];2003年

8 徐俊杰;忻展紅;;基于增強(qiáng)型參考位置的粒子群優(yōu)化模型[A];’2004系統(tǒng)仿真技術(shù)及其應(yīng)用學(xué)術(shù)交流會(huì)論文集[C];2004年

9 王亞;于永光;耿玲玲;;一類改進(jìn)的自適應(yīng)粒子群優(yōu)化算法對(duì)混沌系統(tǒng)未知參數(shù)的估計(jì)[A];中國(guó)力學(xué)大會(huì)——2013論文摘要集[C];2013年

10 崔靜;鄧方;方浩;;基于改進(jìn)粒子群優(yōu)化算法的彈道求解方法[A];2013年中國(guó)智能自動(dòng)化學(xué)術(shù)會(huì)議論文集（第三分冊(cè)）[C];2013年

中國(guó)博士學(xué)位論文全文數(shù)據(jù)庫(kù) 前10條

1 劉華鎣;粒子群優(yōu)化算法的改進(jìn)研究及在石油工程中的應(yīng)用[D];東北石油大學(xué);2012年

2 劉波;粒子群優(yōu)化算法及其在機(jī)電設(shè)備中的應(yīng)用研究[D];中北大學(xué);2011年

3 熊勇;粒子群優(yōu)化算法的行為分析與應(yīng)用實(shí)例[D];浙江大學(xué);2005年

4 唐賢倫;混沌粒子群優(yōu)化算法理論及應(yīng)用研究[D];重慶大學(xué);2007年

5 閆允一;粒子群優(yōu)化及其在圖像處理中的應(yīng)用研究[D];西安電子科技大學(xué);2008年

6 余炳輝;粒子群優(yōu)化算法試驗(yàn)研究及擴(kuò)展[D];華中科技大學(xué);2007年

7 唐賢倫;混沌粒子群優(yōu)化算法理論及應(yīng)用[D];重慶大學(xué);2007年

8 徐慧;粒子群優(yōu)化算法改進(jìn)及其在煤層氣產(chǎn)能預(yù)測(cè)中的應(yīng)用研究[D];中國(guó)礦業(yè)大學(xué);2013年

9 徐星;融合熱運(yùn)動(dòng)機(jī)制的粒子群優(yōu)化算法研究及其應(yīng)用[D];武漢大學(xué);2010年

10 劉逸;粒子群優(yōu)化算法的改進(jìn)及應(yīng)用研究[D];西安電子科技大學(xué);2013年

中國(guó)碩士學(xué)位論文全文數(shù)據(jù)庫(kù) 前10條

1 陳卓;粒子群優(yōu)化算法的改進(jìn)及在油藏?cái)?shù)值模擬中的應(yīng)用[D];北京建筑大學(xué);2015年

2 白云;基于粒子群優(yōu)化算法的復(fù)雜網(wǎng)絡(luò)社區(qū)挖掘[D];西北農(nóng)林科技大學(xué);2015年

3 楊艷華;基于粒子群優(yōu)化支持向量機(jī)的網(wǎng)絡(luò)態(tài)勢(shì)預(yù)測(cè)模型研究[D];蘭州大學(xué);2015年

4 孟亞州;基于粒子群優(yōu)化OTSU的肺組織分割算法研究[D];寧夏大學(xué);2015年

5 鄭博;基于快速排序的多目標(biāo)粒子群優(yōu)化算法的研究及應(yīng)用[D];鄭州大學(xué);2015年

6 米永強(qiáng);非線性規(guī)劃問(wèn)題的混合粒子群優(yōu)化算法研究[D];寧夏大學(xué);2015年

7 李建美;基于自適應(yīng)變異與文化框架的混沌粒子群優(yōu)化算法[D];陜西師范大學(xué);2015年

8 劉星;基于粒子群優(yōu)化算法的特征選擇方法研究[D];南京大學(xué);2015年

9 牛旭;動(dòng)態(tài)粒子群優(yōu)化算法及其應(yīng)用[D];西安電子科技大學(xué);2014年

10 葉華;粒子群優(yōu)化算法研究[D];西安電子科技大學(xué);2014年

  本文關(guān)鍵詞：粒子群優(yōu)化算法及其在生物數(shù)據(jù)聚類中的應(yīng)用，由筆耕文化傳播整理發(fā)布。

，

本文編號(hào)：277039