-
题名量子粒子群优化改进的模糊C均值聚类算法
被引量：4
- 1
-
-
作者
李引
毛力
须文波
-
机构
江南大学物联网工程学院
-
出处
《计算机工程与应用》
CSCD
2012年第35期151-155,173,共6页
-
基金
轻工过程先进控制教育部重点实验室开放课题资助(江南大学)项目(No.APCLI1004)
国家青年科学基金项目资助(No.F030204)
-
文摘
针对模糊C-均值(FCM)聚类算法对初始聚类中心选择敏感,易陷入局部最优的问题,提出一种量子粒子群优化改进的模糊C均值聚类算法。该算法引入的基于新距离标准的量子粒子群(AQPSO)算法不仅可以降低初始点敏感度,较快地收敛到最优解,而且能够提高全局搜索能力。仿真实验证明,该融合算法在摆脱局部最优区域,保证收敛速度同时使得聚类效果较好。
-
关键词
聚类分析
模糊C-均值(FCM)
量子粒子群(qpso)
新距离标准
-
Keywords
cluster analysis
Fuzzy C-Means （FCM）
quantum-behavior particle swarm optimization （qpso）
new metric standard
-
分类号
TP18
[自动化与计算机技术—控制理论与控制工程]
-
-
题名MOQPSO/D算法求解不确定目标分配问题
被引量：1
- 2
-
-
作者
徐浩
董献洲
-
机构
军事科学院战争研究院
-
出处
《火力与指挥控制》
CSCD
北大核心
2021年第12期94-99,共6页
-
基金
军队科研基金资助项目(JK2019*****62)。
-
文摘
为了增强不确定目标分配对战场态势变化的适应性,提出了一种基于分解的多目标量子行为粒子群算法(MOQPSO/D)的不确定目标分配方法。基于模糊多目标规划方法建立了不确定目标分配模型。以MOEA/D为算法框架,以QPSO算法为寻优手段提出了一种MOQPSO/D算法。通过粒子编码和非法粒子调整,将MOQPSO/D算法成功应用于求解目标分配模型。仿真结果表明:采用多目标优化方法能有效增强不确定目标分配对战场态势变化的适应性;MOQPSO/D算法在求解目标分配模型时要明显优于MOEA/D及MOEA/D-CD算法。
-
关键词
量子行为粒子群算法
目标分配
不确定
基于分解的多目标进化算法
-
Keywords
quantum-behavior particle swarm optimization(qpso)
weapon target assignment(WTA)
uncertainty
multi-objective evolutionary algorithm based on decomposition(MOEA/D)
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
TJ01
[自动化与计算机技术—计算机科学与技术]
-
-
题名基于量子粒子群优化的改进的模糊C-均值聚类算法
- 3
-
-
作者
汤官宝
-
机构
阿坝师范高等专科学校
-
出处
《电脑知识与技术》
2014年第5期3084-3087,共4页
-
文摘
模糊C均值算法（FCM）是一种用于聚类的最流行的技术。不过，传统的FCM使用欧氏距离作为数据集的相似准则，从而导致数据集的划分有相等的趋势。而数据集的形状和簇的密度对聚类性能有高度影响。为了解决这个问题，提出基于簇密度的距离调节因子以修正相似性度量。同时，针对模糊C-均值（FCM）聚类算法对初始聚类中心选择敏感，易陷入局部最优的问题，采用量子粒子群优化算法以获取全局最优解。仿真实验证明，改进的聚类算法（QPSO-FCM-CD）具有良好的性能。
-
关键词
聚类分析
模糊C-均值(FCM)
量子粒子群(qpso)
簇密度
-
Keywords
Clustering
Fuzzy C-means （FCM）
quantum-behavior particle swarm optimization（qpso）
Cluster density
-
分类号
TP18
[自动化与计算机技术—控制科学与工程][自动化与计算机技术—控制理论与控制工程]
-
-
题名基于GA-QPSO算法的传感器阵列多目标优化研究
被引量：5
- 4
-
-
作者
孔宇航
陶洋
梁志芳
-
机构
重庆邮电大学通信与信息工程学院
-
出处
《传感器与微系统》
CSCD
北大核心
2021年第9期61-64,共4页
-
基金
重庆市基础研究与前沿探索项目(CSTC2018JCYJAX0549)
重庆市教育委员会科学技术研究项目(KJQN201800617)。
-
文摘
传统的传感器阵列优化通常采用单目标优化,忽略了传感器其他重要因素的影响。提出一种基于遗传量子行为粒子群优化(GA-QPSO)算法的传感器阵列多目标优化研究方法。使用信息熵的概念构造传感器的两个目标函数,在量子化粒子群优化(QPSO)算法中引入遗传算法(GA)中的交叉和变异操作,采用自适应更新二者概率的机制。利用所提算法寻求非支配解集,找到对应最优的传感器组合。实验结果表明:所提算法找到了不同阵列大小下的最优组合集,并且减小了原始阵列的规模。另外相比单目标优化,基于多目标优化场景下算法具有更好的分类精度。经过阵列优化后的传感器阵列能够保证更好的输入质量。
-
关键词
电子鼻
传感器阵列
多目标优化
量子行为粒子群优化算法
遗传算法
-
Keywords
electronic nose sensor array
multi-objective optimization
quantum behavior particle swarm optimization(qpso)algorithm
genetic algorithm(GA)
-
分类号
TP391.4
[自动化与计算机技术—计算机应用技术]
-
