基于K-Means变异算子的混合PSO算法聚类研究

杨晓庆; 左为恒; 李昌春

Chinese

您当前的位置：

首页 >

文章列表页 >

基于K-Means变异算子的混合PSO算法聚类研究

更新时间：2026-09-04

- 基于K-Means变异算子的混合PSO算法聚类研究
- Hybrid PSO Algorithm Clustering Analysis Based on K-Means Mutation Operator
- 微电子学与计算机 2011年28卷第7期页码：57-60
- 作者机构：
  
  重庆大学输配电装备及系统安全与新技术国家重点实验室机构,重庆,400030
- 作者简介：
- 基金信息：
- DOI：
  中图分类号：
- 纸质出版：2011
- 稿件说明：
移动端阅览
杨晓庆, 左为恒, 李昌春. 基于K-Means变异算子的混合PSO算法聚类研究[J]. 微电子学与计算机, 2011, 28(7): 57-60.

YANG Xiao-qing, ZUO Wei-heng, LI Chang-chun. Hybrid PSO Algorithm Clustering Analysis Based on K-Means Mutation Operator[J]. 2011, 28(7): 57-60.
杨晓庆, 左为恒, 李昌春. 基于K-Means变异算子的混合PSO算法聚类研究[J]. 微电子学与计算机, 2011, 28(7): 57-60. DOI：

YANG Xiao-qing, ZUO Wei-heng, LI Chang-chun. Hybrid PSO Algorithm Clustering Analysis Based on K-Means Mutation Operator[J]. 2011, 28(7): 57-60. DOI：

摘要

提出了基于K-Means算子的混合粒子群优化算法聚类

将K-Means算法的局部搜索能力与粒子群优化算法的全局寻优搜索能力相结合

根据群体适应度变化的情况自适应调整权重

并对种群中性能较差的粒子进行交叉选择

能充分挖掘群体本身信息

又能不断引入附加信息.数据集仿真实验表明

该算法有效的克服了传统粒子群优化算法过慢收敛和K-Means算法陷入局部收敛的问题

从而得到更好的聚类效果.

Abstract

This paper presents a hybrid PSO algorithm based on K-Means operator.It combines the locally searching capability of the K-Means algorithm with the global optimization capability of genetic algorithm

and introduces the K-Means operator into the PSO algorithm.Its a hybrid algorithm using symbolic coding

adaptive mutation

and optimal individual retention policies.Simulation results show that the algorithm has effectively overcomes the slow convergence of PSO algorithm and the locality convergence of K-Means algorithm

in order to can get better clustering.

关键词

Keywords

references

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

新的改进K-means算法的图像检索方法

一种基于模糊加权的改进文本聚类方法

一种改进的特征加权K-means聚类算法

注意力机制与改进密集卷积引导的信息隐藏模型

一种基于特征上下文理解与切片分析的肺结核检测算法

相关机构

江南大学物联网工程学院

中国水产科学研究院机构淡水渔业研究中心

解放军理工大学理学院

河南大学计算机与信息工程学院

河南大学机构计算中心

AI问答

地址：北京市丰台区顺八条1号院2号楼北阳晨光大厦2层邮编：100079
联系电话：（010）53879206 Email：tmw@bjxintong.com.cn
技术支持由北京北大方正电子有限公司提供京ICP备09082226号-64 京公网安备11010602201714号
本系统建议在Chrome、 IE9+ 以上版本浏览器阅读本站内容，360浏览器请切换至极速模式
Cookies帮助我们提供服务并提供个性化体验。使用本网站，即表示您同意我们使用Cookies

⁰