Динамічна багатороєва оптимізація методом рою часток на основі кластеризації методом K-середніх
- Деталі
- Категорія: IT-технології
- Останнє оновлення: Вівторок, 09 лютого 2016, 22:58
- Опубліковано: Вівторок, 09 лютого 2016, 22:58
- Перегляди: 3774
Автори:
Сяоцзюнь Юй, Технологічний університет Цзянсу, м. Чанчжоу, провінція Цзянсу, КНР
Реферат:
Мета. Цільова оптимізація − дуже важливий напрям у наукових дослідженнях і практичній діяльності. Робота присвячена вивченню комбінування прийомів оптимізації методом рою часток і кластеризації методом k-середніх.
Методика. Проведено усесторонній глибокий аналіз кластеризації методами рою часток і k-середніх, знайдені стратегії її поліпшення шляхом комбінування цих методів. Стосовно завдань як безперервної, так і дискретної оптимізації, продемонстровані гарні показники глобального пошуку, ефективне усунення передчасної конвергенції, властивій класичній оптимізації методом рою часток.
Результати. Розроблена динамічна багатороєва оптимізація методом рою часток на основі кластеризації методом k-середніх (KDMPSO), яка є гібридним алгоритмом кластеризації, що поєднує в собі кластеризацію методами рою часток і k-середніх, безвідмовно знаходить глобальний екстремум у різних завданнях. Поєднані переваги оптимізації методом рою часток і кластеризації методом k-середніх, вирішені проблеми сходження до локального оптимуму та низької ефективності класичного алгоритму оптимізації методом рою часток для складних завдань оптимізації. Підтверджена стабільність роботи алгоритму, підвищення його точності й здібність до підтримки різноманітності популяції, запобігання передчасній конвергенції.
Наукова новизна. У процесі ітерації, алгоритм оптимізації методом рою часток схильний застрявати в локальному оптимумі, наводячи до передчасної конвергенції, тоді як метод k-середніх широко використовується у кластеризації завдяки простоті в реалізації, будучи високоефективним алгоритмом лінійної тимчасової складності. Уперше розглянуто метод взаємодоповнюючого комбінування оптимізації методом рою часток і кластеризації методом k-середніх.
Практична значимість. Результати роботи застосовані на практиці в різних сферах, оскільки оптимізаційні заходи приймаються в управлінні підприємствами, дослідженні ринку, технічному проектуванні, наукових дослідженнях і так далі. Алгоритм KDMPSO не має недоліків, властивих класичному алгоритму оптимізації методом рою часток, і показує гарні результати.
Список літератури / References:
1. Min-Yuan Cheng, Kuo-Yu Huang and Hung-Ming Chen (2012), “K-means Particle Swarm Optimization with Embedded Chaotic Search for Solving Multidimensional Problems”, Applied Mathematics and Computation, vol. 219, no.6, pp. 3091−3099.
2. Satish Gajawada and Durga Toshniwal (2012), “Projected Clustering Using Particle Swarm Optimization”, Procedia Technology, vol.35, no. 4, pp. 360−364.
3. Sung-Kwun Oh, Wook-Dong Kim, Witold Pedrycz and Su-Chong Joo (2012), “Design of K-means Clustering-based Polynomial Radial Basis Function Neural Networks (PRBF NNS) realized with the aid of Particle Swarm Optimization and Differential Evolution”, Neurocomputing, vol. 78, no.1, pp. 121−132.
4. Shafiq Alam, Gillian Dobbie, Yun Sing Koh, Patricia Riddle and Saeed Ur Rehman (2014), “Research on Particle Swarm Optimization based clustering: a systematic review of literature and techniques”, Swarm and Evolutionary Computation, vol.17, no.8, pp. 1−13.
5.Cheng-Lung Huang, Wen-Chen Huang, Hung-Yi Chang, Yi-Chun Yeh and Cheng-Yi Tsai (2013), “Hybridization strategies for Continuous Ant Colony Optimization and Particle Swarm Optimization applied to data clustering”, Applied Soft Computing, vol.13, no.9, pp. 3864−3872.
6. Lige S. Hage and Ramsey F. Hamade (2013), “Segmentation of histology slides of cortical bone using Pulse Coupled Neural Networks optimized by Particle Swarm Optimization”, Computerized Medical Imaging and Graphics, vol.37, no.7-8, pp. 466−474.
7. Maryam Nasiri (2012), “Fetal electrocardiogram signal extraction by ANFIS trained with PSO Method”, International Journal of Electrical and Computer Engineering (IJECE), vol.2, no. 2, pp. 247−260.
8. Lakshmi Ravi (2012), “PSO based optimal power flow with hybrid distributed generators and UPFC”, TELKOMNIKA Indonesian Journal of Electrical Engineering, vol.10, no. 3, pp. 409−418.
9. Yau King Lam and Peter W.M. Tsang (2012), “Exploratory K-Means: a new simple and efficient algorithm for gene clustering”, Applied Soft Computing, vol.12, no.3, pp. 1149−1157.
10. MdAnisur Rahman and MdZahidul Islam (2014), “A hybrid clustering technique Combining a novel genetic algorithm with K-Means”, Knowledge-Based Systems, vol.71, no. 11, pp. 345−365.
![]() ![]() |
|
![]() ![]() ![]() |
![]() |