一种基于信息素的FCM蚁群聚类算法.pdfVIP

  1. 1、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。。
  2. 2、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载
  3. 3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
  4. 4、该文档为VIP文档,如果想要下载,成为VIP会员后,下载免费。
  5. 5、成为VIP后,下载本文档将扣除1次下载权益。下载后,不支持退款、换文档。如有疑问请联系我们
  6. 6、成为VIP后,您将拥有八大权益,权益包括:VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
  7. 7、VIP文档为合作方或网友上传,每下载1次, 网站将根据用户上传文档的质量评分、类型等,对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
查看更多
一种基于信息素的FCM蚁群聚类算法.pdf

安阳工学院学报 第二期 of 55 Journal Instituteof Anyang Technology 一种基于信息素的FCM蚁群聚类算法 雷筱珍赖万钦 (福建交通职业技术学院,福州350007) 摘薹:钟时FCM聚类算法存在的一些缺陷。结合蚁群优化算法的优点,提出了一种基于信息素的FCM蚁群聚类算 法。该算法通过FCM算法获得新的聚类中心。利用蚁群优化算法的全局搜索性、并行计算性等特点避免了聚类陷入局郝曩 优解。仿真结果表明了该算法的有效性。 关键词:信息素:蚁群优化算法;FCM算法 中图分类号:TP39 文献标识码:A 文章编号:1673-2928(2009)02-0055-04 七 蚁群优化算法是受自然界中真实蚁群的集体 ∑%=1,v/-s,...,疗 (1) l—l 觅食行为的启发而发展起来的一种基于种群的模 拟进化算法.属于随机搜索算法【¨。该算法被用于 那么,FCM的价值函数(或目标函数)就是: 求解Jobshop调度问题、二次指派问题(quadratic (2) J(u,cI,...,q)=∑以=∑∑%m吻2, assignmeproblem)、背包问题(knapsackproblem)等, 这里№介于0,1间;c;为模糊组i的聚类中 并被用于数据的特征聚类.取得了很好的仿真实验 心,di=llci¨为第i个聚类中心与第1『个数据点间 结果。证明了蚁群算法在组合优化类问题求解中 的欧几里德距离;且m∈[1,∞)是一个加权指数。 优越的适用特性。 构造如下新的目标函数,可求得使(1)式达到 FCM算法是在模糊集理论上对K—means算法 最小值的必要条件: 的改进。是用隶属度确定每个数据点属于某个聚 J(U,C1,...,q,A,…,五)=J(U,q,…,cI)+ 类的程度的一种聚类算法。但是不能确保FCM收 (3) 敛于一个最优解。同时算法的性能依赖于初始聚 ∑:I。乃(∑~一1)=∑∑“f刃+∑乃(∑~一1) 类中心。因此不可避免的常常会陷入局部极值闭。 因此,基于蚁群优化算法的优点,针对FcM算法的 缺陷。本文提出一种基于信息素的FCM蚁群聚类 格朗日乘子。对所有输入参量求导,使式(3)达到 最小的必要条件为: 算法。 . 1 FCM聚类算法 J-·J∑ufxj FCM是Bezkek于1981年提出的.它是目前广 q。等-

文档评论(0)

文档精品 + 关注
实名认证
文档贡献者

该用户很懒,什么也没介绍

版权声明书
用户编号:6203200221000001

1亿VIP精品文档

相关文档