结合K-means的并行粒子群优化.pdfVIP

ComputerEngineeringandApplications计算机工程与应用 结合K-means的并行粒子群优化 张 捷，封俊红 ZHANG Jie，FENG Junhong 广州大学 松田学院 信息科学与工程系，广州 511370 DepartmentofInformation Science and Engineering，CollegeofSonmn，Guangzhou University，Guangzhou 511370，China ZHANG Jie，FENG Junhong．Parallelparticle swarm optimization combined K-means．Computer Engineering and Appli- cations．2011。47(19)：60．62． Abstract： By introducing K-means for the parallelparticle swarm optimization based on an island model，the populations are divided into severalsub—populations．Itcan notonly make the location ofthe particlesin the same sub—population be in the relativeconcentrative，and berelatively easy to learn，butalso improve the search efficiency，SO thatthe limited timewill be spenton the mosteffective search．According to the characteristicsofthem ，the parallelalgorithms areimproved．W hen cer— tain conditionsare met，itcarrieson communications，SO thatineffective communications can be avoided to reduce the time spentofrcommunications．The simulation resultsconfirm thatthe algorihtmshave a high convergence speed and convergence accuracy． Key words：K-means；parallel；particle swarm optimization；optimization 摘 要：通过给基于孤岛模型的并行粒子群算法引．~K-means来进行子种群的划分。这不仅可以使一个子种群中的粒子位置相 对集中，学习相对容易，而且可以提高搜索效率，使有限的时间用在最有效的搜索上。针对并行算法的特点，对其进行改进，在满 足一定条件时才进行通信，这样可以避免无效通信，减少通信所花的时间。仿真结果证实，该算法具有较高的收敛速度和收敛精度。 关键词：K-means；并行；粒子群；优化 DOI：10．3778／j．issn．1002-8331．2011．19．017 文章编 ：1002—8331(2011)19—0060-03 文献标i只码：A 中图分类兀-：TP18 微粒群优化算法(ParticleSwamr Optimization，PSO)是 l 标准粒子群算法 一 种群体智能优化算法，于1995年首次由Eberhart和Kennedy 假没优化一个含有d个变量的连续函数，即搜索空间为d 提出一1。其源于对鸟类在搜索食物的过程中个体之间信息的 维。第 个微粒的位置和速度分别表示为： ．．．…X ，…，Xi．】 交流和共享 ，群体 中的每个个体都可以从其他成员的发现和 和 。，，：，…，Vi，；第k次迭代时微粒的最佳位置 (Pbest) 飞行经历中获益，从而提高群体的效率。PSO算法首先在可 Pf= “…P：，……P ；群体的最佳位置 (Gbest)P~= ．t， …， 。 行解空间随机初始化微粒群 ，每个粒子都有一个初始速度和 每次迭代中，种群中的粒子按照如下公式更新位置和速度： 位置。更新时跟踪粒子本身的个体最佳位置和整个种群找到