蜂群算法应用研究

论文摘要

计算机科学、管理科学、经济学和控制工程领域等很多问题都归结为解决最优化问题,启发式群智能算法是通过模拟自然界生物的群体行为而设计的全局优化算法,它不需要问题特殊信息,而且优化效果明显,已经成为解决全局优化问题的新的途径,因此也是学术界长期的研究热点。人工蜂群(ABC)算法是一种新的仿生群体智能优化技术。它主要模拟的是蜜蜂觅食行为。ABC的主要的特性之一就是劳动分工,蜂群主要由雇佣蜂和跟随蜂和侦查蜂组成,它们个体简单,但却能通过群体协作体现高度智能,有效找到食物源,即蜜源。ABC每次迭代都进行开发和开采,很好的平衡了全局搜索和局部搜索。这特点使它成为一个简单的、健壮的、有效的算法。基于原始ABC的聚类算法有早期收敛较慢和后期容易陷入局部最优的问题。针对这一问题,本文首先采用莫来小波的特性,在ABC中加入基于小波的变异算子,用于划分的聚类中,从而克服算法能跳出局部解。针对几个数据集的实验结果表明,带有小波变异的ABC聚类算法是有效的,优于基本ABC聚类。聚类分析是用在许多领域中基本且十分重要的技术,如数据挖掘、机器学习、模式识别、图像分析、信息检索和生物信息学。传统聚类方法是基于爬山法搜索,对初始中心敏感,且易于陷入局部最优解。ABC最初是用于连续优化问题,本文采用离散人工蜂群算法数据聚类问题。实验结果表明,离散蜂群算法对于实验数据集聚类是有效的。近几十年半监督学习成为一个学术热门课题。现实生活中有越来越多的数据,而且很多都是无类标签的,同时要给数据加类标签可能要较高的花费,而结合专家或用户经验给数据增加约束对就相对可行,于是其中基于成对约束的聚类研究吸引越来越多的研究者,包括算法研究和将其应用到许多其它领域。传统的约束对聚类对于初始赋值敏感,可能会过约束而导致不收敛,常常会停滞于局部最优解。最初的人工蜂群算法是解决无约束问题,近年来学者开始了对约束蜂群优化算法的研究,本文最后探索了人工蜂群算法在约束聚类中的应用。对实验数据集测试显示它明显提高了聚类正确率。相对于传统的约束聚类算法,当约束对较少时,ABC能较有效地求解约束聚类问题。

论文目录

• 中文摘要
• ABSTRACT
• 第一章 引言
• 1.1 基于群体智能的元启发式算法
• 1.1.1 粒子群
• 1.1.2 狼群搜索
• 1.1.3 蝙蝠算法
• 1.1.4 元启发算法的主要特点
• 1.2 人工蜂群算法的研究概况
• 1.2.1 蜂群算法概述
• 1.2.2 ABC算法的研究进展
• 1.3 本文的主要工作及组织结构
• 1.3.1 本文的主要研究工作
• 1.3.2 本文的组织结构
• 第二章 人工蜂群算法
• 2.1 蜂群觅食机理
• 2.2 基本人工蜂群算法
• 2.3 人工蜂群算法的特点
• 2.4 本章小节
• 第三章 求解聚类问题的小波变异蜂群算法
• 3.1 聚类分析
• 3.1.1 问题描述
• 3.1.2 K-means算法
• 3.1.3 群体智能聚类算法
• 3.2 带有小波变异的蜂群聚类算法
• 3.2.1 小波简介
• 3.2.2 Morlet小波
• 3.2.3 基于morlet小波的更新算子
• 3.2.4 WABC聚类算法主要步骤
• 3.3 实验及其分析
• 3.4 本章小节
• 第四章 离散蜂群算法在聚类中的应用
• 4.1 离散蜂群算法
• 4.2 离散蜂群聚类算法
• 4.2.1 编码
• 4.2.2 邻域搜索
• 4.2.3 DABC聚类算法实现步骤
• 4.3 实验设计与结果分析
• 4.3.1 实验设计
• 4.3.2 实验结果及其分析
• 4.4 本章小节
• 第五章 基于ABC的约束聚类
• 5.1 半监督聚类
• 5.2 约束聚类算法
• 5.3 应用ABC算法求解约束聚类
• 5.3.1 问题描述
• 5.3.2 基于ABC的约束聚类算法
• 5.4 实验参数设置和结果分析
• 5.5 本章小节
• 总结与展望
• 总结
• 展望
• 致谢
• 参考文献
• 个人简历、在学期间的研究成果及发表的论文