题名 随机游走和特殊拥挤距离更新的多模态多目标狼群算法
1
作者
赵嘉 钟劲文 肖人彬 王晖 潘正祥
机构
南昌 工程 学院 信息工程 学院 南昌工程学院南昌市智慧城市物联感知与协同计算重点实验室 华中科技大学人工智能与自动化学院 南京信息工程 大学人工智能学院
出处
《计算机工程与应用》
北大核心
2025年第12期93-106,共14页
基金
国家自然科学基金(62466037)。
文摘
针对多模态多目标优化中种群多样性较差和搜索能力不足的问题,提出随机游走和特殊拥挤距离更新的多模态多目标狼群算法(MMOWPA-RSCD)。在游走行为中融入莱维飞行,提出随机游走策略,生成多个随机突变的游走位置,使种群快速跳出局部最优,增强算法的全局搜索能力;设计基于特殊拥挤距离的种群更新机制,利用k-means算法将待更新种群划分为多个子种群以降低整体搜索难度,通过计算各个子种群个体的特殊拥挤距离,保留决策空间和目标空间综合拥挤度较好的解,维持种群的多样性;引入环境选择策略,通过特殊拥挤距离非支配排序筛选优良种群,进一步提升算法的多样性。将MMOWPA-RSCD算法和8种经典以及新近多模态多目标优化算法在13个多模态多目标测试函数进行实验对比及秩均值检验,实验结果表明:MMOWPA-RSCD的总体性能优于对比算法。将算法用于栅格地图路径规划问题,进一步验证了算法的有效性。
关键词
多模态多目标优化 多目标狼群算法 随机游走 特殊拥挤距离更新 环境选择 栅格地图路径规划
Keywords
multi-modal multi-objective optimization multi-objective wolf pack algorithm random wandering special crowding distance update environmental selection grid map path planning
分类号
TP18
[自动化与计算机技术—控制理论与控制工程]
题名 面向混合数据的对称邻域和微簇合并密度峰值聚类算法
2
作者
陈威 吕莉 肖人彬 谭德坤 潘正祥
机构
南昌 工程 学院 信息工程 学院 南昌工程学院南昌市智慧城市物联感知与协同计算重点实验室 华中科技大学人工智能与自动化学院 山东科技大学计算 机科学与工程 学院
出处
《智能系统学报》
北大核心
2025年第1期172-184,共13页
基金
国家自然科学基金项目(62066030) 江西省教育厅科技项目(GJJ190958).
文摘
混合数据是指包含密度分布不均和流形特征的数据集。密度峰值聚类算法局部密度定义方式易忽略密度分布不均数据集类簇间样本的疏密差异,导致误选聚类中心;分配策略依据欧氏距离进行样本分配,不适用于流形数据集同一类簇样本相距较远的情况,致使样本被错误分配。针对这些问题,本文提出一种面向混合数据的对称邻域和微簇合并密度峰值聚类算法。该算法引入对称邻域概念,采用对数倒数累加方法重新定义局部密度,有效提升了聚类中心的识别度;同时,提出了一种基于密度差的微簇个数选取方法,使微簇个数的选取处于合理范围;此外,设计了一种微簇间相似性度量方法进行微簇合并,避免了分配时产生的连带错误。实验表明,相较于对比算法,本文算法在混合数据集、UCI数据集和图像数据集上均取得较好的聚类效果。
关键词
密度峰值聚类 密度分布不均 流形数据 K近邻 逆近邻 对称邻域 微簇间相似性 微簇合并
Keywords
density peaks clustering uneven density manifold data K near neighbour inverse close neighbor symmetric neighborhood similarity between micro-clusters micro-cluster merging
分类号
TP301
[自动化与计算机技术—计算机系统结构]
题名 逆近邻和加权相似性的密度峰值聚类算法
3
作者
景彦迪 康平 侯家振 吕莉
机构
南昌 工程 学院 信息工程 学院 南昌工程学院南昌市智慧城市物联感知与协同计算重点实验室
出处
《小型微型计算机系统》
北大核心
2025年第8期1927-1934,共8页
基金
江西省教育厅科技基金项目(GJJ201915)资助 国家自然科学基金项目(62066030)资助。
文摘
密度峰值聚类算法在处理密度分布不均数据时,定义的局部密度未能考虑样本所在区域密度差异的影响,导致错误识别类簇中心;在处理流形数据时,设定的分配策略依据欧氏距离进行链式分配,极易导致稀疏类簇的样本误归并给密集类簇.鉴于此,提出逆近邻和加权相似性的密度峰值聚类(DPC-NWS)算法.算法设置局部密度时,引入逆近邻思想,充分考虑样本k近邻和非k近邻对样本周围环境的影响,能更容易在稀疏类簇找到类簇中心;在剩余样本分配时,使用自然近邻和共享近邻设定样本间的相似性,新定义的样本相似性更加符合样本的实际分布,避免了样本的连续错误分配,达到正确分配的目的.将DPC-NWS算法与DPC、FNDPC、DPC-CE、DPC-DBFN、IDPC-FA算法在数据集上进行聚类,对比实验结果表明,DPC-NWS算法的聚类效果好.
关键词
聚类 密度峰值 逆近邻 自然近邻 共享近邻
Keywords
clustering density peaks inverse nearest neighbor natural neighbors shared neighbors
分类号
TP301
[自动化与计算机技术—计算机系统结构]
题名 面向密度分布不均数据的加权逆近邻密度峰值聚类算法
被引量：2
4
作者
吕莉 陈威 肖人彬 韩龙哲 谭德坤
机构
南昌 工程 学院 信息工程 学院 南昌工程学院南昌市智慧城市物联感知与协同计算重点实验室 华中科技大学人工智能与自动化学院
出处
《智能系统学报》
CSCD
北大核心
2024年第1期165-175,共11页
基金
国家自然科学基金项目(62066030) 江西省重点研发计划项目(20192BBE50076,20203BBGL73225) 江西省教育厅科技项目(GJJ190958)。
文摘
针对密度分布不均数据,密度峰值聚类算法易忽略类簇间样本的疏密差异,导致误选类簇中心;分配策略易将稀疏区域的样本误分到密集区域,导致聚类效果不佳的问题,本文提出一种面向密度分布不均数据的加权逆近邻密度峰值聚类算法。该算法首先在局部密度公式中引入基于sigmoid函数的权重系数,增加稀疏区域样本的权重,结合逆近邻思想,重新定义了样本的局部密度,有效提升类簇中心的识别率;其次,引入改进的样本相似度策略,利用样本间的逆近邻及共享逆近邻信息,使得同一类簇样本间具有较高的相似度,可有效改善稀疏区域样本分配错误的问题。在密度分布不均、复杂形态和UCI数据集上的对比实验表明,本文算法的聚类效果优于IDPC-FA、FNDPC、FKNN-DPC、DPC和DPCSA算法。
关键词
密度峰值聚类 密度分布不均 逆近邻 共享逆近邻 样本相似度 局部密度 分配策略 数据挖掘
Keywords
density peak clustering uneven density distribution reverse nearest neighbor shared reverse nearest neighbor sample similarity local density distribution strategy data mining
分类号
TP301
[自动化与计算机技术—计算机系统结构]
题名 精英引导和信息交互的多目标狼群算法
被引量：1
5
作者
陈福军 吴润秀 肖人彬 王晖 赵嘉
机构
南昌 工程 学院 信息工程 学院 南昌工程学院南昌市智慧城市物联感知与协同计算重点实验室 华中科技大学人工智能与自动化学院
出处
《计算机应用研究》
CSCD
北大核心
2024年第8期2404-2411,共8页
基金
国家自然科学基金资助项目(52069014)。
文摘
鉴于狼群算法在单目标优化问题上的优越表现,结合狼群的生物习性将其运用到多目标优化问题上,提出一种精英引导和信息交互的多目标狼群算法(MOWPA-EGII)。首先,提出精英引导策略,利用外部档案中的精英狼和当前子种群的头狼共同引导种群移动,让人工狼均匀地分布在整个搜索空间,增强算法的全局搜索能力;其次,设计信息交互机制,模拟狼群捕猎过程中的信息传递,具有不同优势的个体可以相互传递信息,保证狼群的捕猎效率,提高算法勘探Pareto最优解的能力;最后,加入变异算子,扰动人工狼的移动方向,让算法跳出局部最优,增强算法的局部搜索能力。为了验证MOWPA-EGII的有效性,将其与5种经典算法和10种新近算法进行比较,结果表明MOWPA-EGII拥有良好的收敛性和多样性,证明了所提算法具有较好的优化性能。
关键词
狼群算法 多目标优化 精英引导 信息交互 变异算子
Keywords
wolf pack algorithm multi-objective optimization elite guidance information interaction variational operator
分类号
TP18
[自动化与计算机技术—控制理论与控制工程]
题名 直觉模糊的结构化最小二乘孪生支持向量机
被引量：1
6
作者
张法滢 吕莉 韩龙哲 刘东晓 樊棠怀
机构
南昌 工程 学院 信息工程 学院 南昌工程学院南昌市智慧城市物联感知与协同计算重点实验室
出处
《应用科学学报》
CAS
CSCD
北大核心
2024年第2期350-363,共14页
基金
国家自然科学基金(No.62066030) 江西省重点研发计划项目(No.20192BBE50076,No.20203BBGL-73225)资助。
文摘
针对最小二乘孪生支持向量机(least squares twin support vector machine,LSTSVM)对噪声或是异常数据敏感和忽略数据内在结构信息的问题,提出了一种直觉模糊的结构化最小二乘孪生支持向量机(intuition fuzzy and structural least squares twin support vector machine,IF-SLSTSVM)。首先采用孤立森林对输入样本点进行预处理;然后通过直觉模糊数的概念,赋予输入样本点不同的权重以减少噪声或是异常数据对分类超平面产生的影响;最后采用K-Means算法,以协方差的形式获取输入样本点之间的结构信息。IFSLSTSVM在LS-TSVM的基础上,考虑了输入样本点在特征空间中的分布信息及输入样本点之间的关系,提高了模型的鲁棒性。实验采取UCI数据集,在0%、5%、10%以及20%的不同比例噪声环境对IF-SLSTSVM算法的有效性进行验证。结果显示相较于6种对比算法,IF-SLSTSVM算法有更好的鲁棒性。
关键词
支持向量机 孤立森林 结构信息 直觉模糊 聚类 协方差
Keywords
support vector machine isolated forest structural information intuition fuzzy clustering covariance
分类号
TP391
[自动化与计算机技术—计算机应用技术]
