动态粒子群优化算法及其应用

《动态粒子群优化算法及其应用》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、动态粒子群优化算法及其应用作者姓名牛旭学校导师姓名、职称刘若辰副教授领域电子与通信工程企业导师姓名、职称强勇高工申请学位类别工程硕士提交学位论文日期2014年12月学校代码1010701学号1202121295分类号TN82TP18密级公开西安电子科技大学硕士学位论文动态粒子群优化算法及其应用作者姓名：牛旭领域：电子与通信工程学位类别：工程硕士学校导师姓名、职称：刘若辰副教授企业导师姓名、职称：强勇高工提交日期：2014年12月DynamicParticleSwarmOptimizationAlgorithmandApplic

2、ationAthesissubmittedtoXIDIANUNIVERSITYinpartialfulfillmentoftherequirementsforthedegreeofMasterinElectronicsandCommunicationEngineeringByNiuxuSupervisor:LiuruochenQiangyongDecember2014西安电子科技大学学位论文独创性（或创新性）声明秉承学校严谨的学风和优良的科学道德，本人声明所呈交的论文是我个人在导师指导下进行的研究工作及取得的研究成果。尽我所知

3、，除了文中特别加以标注和致谢中所罗列的内容以外，论文中不包含其他人已经发表或撰写过的研究成果；也不包含为获得西安电子科技大学或其它教育机构的学位或证书而使用过的材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示了谢意。学位论文若有不实之处，本人承担一切法律责任。本人签名：日期：西安电子科技大学关于论文使用授权的说明本人完全了解西安电子科技大学有关保留和使用学位论文的规定，即：研究生在校攻读学位期间论文工作的知识产权单位属于西安电子科技大学。学校有权保留送交论文的复印件，允许查阅、借阅论文；学校可以公

4、布论文的全部或部分内容，允许采用影印、缩印或其它复制手段保存论文。同时本人保证，获得学位后结合学位论文研究成果撰写的文章，署名单位为西安电子科技大学。保密的学位论文在年解密后适用本授权书。本人签名：导师签名：日期：日期：摘要摘要随着计算机和通信技术的发展，数据的获取已经呈现出高速、连续、海量的特点，而数据流作为这种新的数据形态，成为一个新的研究热点。为了对数据流进行实时分析、维护、并探究数据的动态变化，需要有别于传统的数据聚类技术，我们称之为数据流聚类技术。而在传统聚类算法的研究中，聚类分析在很多情况下都可以作为一种优化问题处

5、理，从而把进化算法应用到聚类分析中。粒子群优化算法作为进化算法的代表，由于其原理简单、收敛速度快、鲁棒性好等优势，在静态优化问题以及动态优化问题中都有着广泛地应用。因此本文的重点就放在，把数据流聚类的问题当作动态优化问题，从而使用动态粒子群优化算法处理数据流聚类问题。本文针对当前动态粒子群优化算法研究中的问题，设计了新的动态粒子群优化算法。根据数据流聚类问题的特点，将新的动态粒子优化算法应用于此类问题中。本文的具体工作如下：1.提出了基于正交学习的多种群动态粒子群优化算法(OLMPSO)。首先，该算法采用了多个种群同时进化的策

6、略，包括一个父种群和多个动态维护数量不固定的子种群。算法中，父种群在整个搜索空间进行搜索，寻找有希望的区域。如果父种群的最优值发生改变，就以这个最优值为中心产生一个新的子种群。接下来，子种群深度挖掘父种群得到的有希望的区域。为了保证子种群的搜索效率，算法还采用了子种群重叠检测机制，如果两个子种群的中心粒子距离小于一个阀值，就删除其中一个比较差的子种群。此外，为了提高子种群的收敛速度和准确率，子种群采用了正交学习粒子群优化算法（OLPSO）进行更新迭代。最后，为了更快地追踪环境变化之后的极值，子种群中的所有粒子在环境变化之后会在

7、上一时刻粒子的最优值附近进行随机搜索。实验的结果表明，相对于其他对比算法，OLMPSO的性能在绝大多数情况下都是最好的。2.提出了基于正交学习的多种群动态粒子群优化算法的数据流聚类算法(OLMPSO-Stream)。算法的主要思想是通过构建优化模型，将数据流聚类问题中数据随时间变化的过程看作动态优化问题中的环境变化，进而转化为动态优化问题进行处理。算法首先使用动态优化算法OLMPSO中的粒子群优化算子，对FCM聚类算法进行改进，进而加快其聚类收敛速度并提高聚类质量。在此基础之上，使用环境预测机制在环境发生变化之后，对粒子群进行

8、相应调整。最后，通I西安电子科技大学硕士学位论文过在选用的数据集上的各个性能指标的对比实验表明，OLMPSO-Stream算法的性能明显优于经典数据流聚类算法DenStream以及数据流聚类算法C-DenStream。本课题得到国家自然科学基金（No.61373111）、省自