基于Ｋ-均值聚类的免疫粒子群优化算法

2012年03月07日14:09:59 本网站我要评论(2)字号：T | T | T

关键字：应用

满春涛，张　锐，张　涛
哈尔滨理工大学自动化学院，黑龙江哈尔滨

哈尔滨工业大学电气工程及自动化学院，黑龙江哈尔滨
哈尔滨理工大学电气与电子工程学院，黑龙江哈尔滨

摘　　　要：在解决复杂函数优化问题时，免疫粒子群优化算法在疫苗提取操作中，通常把较佳粒子作为有效特征信息，没有从根本上解决“趋同性” 问题，影响算法的收敛速度和收敛精度。针对该问题，提出了一种基于Ｋ均值聚类的免疫粒子群优化算法（ＫＩＰＳＯ），将Ｋ均值聚类算法用于免疫疫苗的提取，确定较高平均适应值的聚类中心及其较大邻域，得到符合具有较优个体特征的疫苗集，并以自适应方式确定疫苗集进行疫苗更新，提高算法的收敛性。仿真结果表明，与免疫粒子群优化算法相比，该算法提高了收敛速度和收敛精度。

关　键　词：Ｋ均值；疫苗提取；免疫粒子群优化算法；自适应

１　引　言
粒子群算法具有“趋同性”，该性质会使所有的粒子被迄今为止找到的较好粒子吸引，从而损失群体的多样性，造成算法早熟收敛［１２］。有些学者把免疫信息处理机制引入到粒子群算法中［３４］，给出了免疫粒子群算法，并在一定程度上改善了粒子群算法摆脱局部极值的能力。但这类免疫粒子群算法在提取疫苗时通常以粒子群算法进化过程中较佳粒子的特征作为有效信息［５６］，仍然会使大多数粒子以很大的概率趋向当前较好的粒子，没有从根本上解决“趋同性” 问题。免疫粒子群算法与聚类算法相结合［７８］的也有见，它们大多是根据聚类算法构造适应值函数，应用免疫粒子群算法优化，解决聚类分析问题。本文将Ｋ均值聚类算法用于疫苗的提取，对于免疫选择操作考虑了群体中个体间浓度和个体适应值对选择概率的影响，改善了群体多样性，从而解决粒子群算法的“趋同性”问题。

登录网站后可下载文件

基于Ｋ-均值聚类的免疫粒子群优化算法

相关阅读: