论文部分内容阅读
随着计算机应用技术的迅速发展,人们对高效优化技术和智能计算技术提出了更高更新的要求,并用于求解各种工程问题优化解的应用技术,在诸多工程领域得到普遍的应用。鉴于实际工程问题的复杂性、约束性、非线性、多局部极小和建模困难等特点,寻找各种适合于工程实践需求的新型智能优化方法一直是许多学科的一个重要研究方向。微粒群算法作为一种新兴的智能计算技术已成为越来越多研究者的关注焦点。它与人工生命,特别是进化策略以及遗传算法有着特殊的联系。群智能在没有集中控制且不提供全局模型的前提下,为寻找复杂的分布式问题的解决方案提供了基础。本文分别阐述和分析了微粒群算法在聚类分析和多约束组播路由问题上的应用。在聚类分析方面,提出了基于空间特性PSO理论的混沌聚类算法,并在其基础上扩展了对最终聚类不明确的聚类问题的一般性解决办法:在多约束组播路由问题上,有别于传统方法,采用树形变换方法,依托于微粒群理论对组播路由进行了求解。(1)目前,主要的聚类算法可以分为如下几类:划分方法、层次方法、基于密度的方法和基于网格的方法等。很多方法需要一些条件的限制,需要设定聚类的数目,而且聚类结果往往对初始状态及参数非常敏感。K-Means聚类算法就是这样一种代表性的聚类算法,其最后的聚类效果受到初始聚类中心的影响很大,结果往往是局部最优解,为了得到较优的聚类结果,计算复杂度迅速增大。而一个稳定的(对初始中心不敏感)且可以收敛到全局最优的算法是实际工业中所需要的。本文在PSO算法的基础上提出了SPA(Spatial PSO Algorithm)聚类算法,在PSO算法中引入粒子的内部空间特性,以确保聚类算法中的类内数据尽可能相似,类间数据差异尽可能明显这一特性。同时,为了解决PSO算法可能出现的早熟问题,本文算法也引入了混沌的思想。仿真实验也表明,算法在数字属性的聚类问题上表现出良好的求解能力,通过引入内部空间特性和混沌思想,算法求解的平均性能也有显著的改善。(2)针对K-Means等聚类算法,初始需要指定聚类数目的问题,本文通过引入贝叶斯信息决策的思想,提出了X-SPA(X- Spatial PSO Algorithm)聚类算法,使得算法可以在运行的过程中,通过判断自动的进行聚类数目的调整,实验结果也表明,算法不但给出了较准确的聚类类别数目,并且聚类的准确度也有了一定的上升。(3)本文提出了一种基于树的微粒群算法PSOTREE。与传统组播路由算法的先寻找路再合成树的模式不同,PSOTREE采用了以树生长的方式直接寻找组播树的模式。基于树的PSO算法简化了寻树的机制,算法的效率得到了提高。仿真实验结果表明,跟传统算法相比,PSOTREE算法能以更快的速度收敛到近似最优解,组成员数目越多,这种优点越明显,提高了算法的效率。仿真实验结果表明,跟原算法相比,算法在仿真网络拓扑上收敛速度更快,效率更高。