一种基于改进人工蜂群的FCM算法优化方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN109543741A(43)申请公布日2019.03.29(21)申请号201811365979.7(22)申请日2018.11.16(71)申请人重庆邮电大学地址400065重庆市南岸区崇文路2号(72)发明人罗志勇季良缘罗蓉汪源野蔡婷韩冷郑焕平杨美美(74)专利代理机构重庆萃智邦成专利代理事务所(普通合伙)50231代理人黎志红(51)Int.Cl.G06K9/62(2006.01)G06N3/00(2006.01)权利要求书2页说明书7页附图1页(54)发明名称一种基于改进人工蜂群的FCM算法优化方法(57)摘要本发明请求保护一种基于改进人工蜂群的FCM算法优化方法，涉及工业数据挖掘领域。本发明针对FCM算法存在容易陷入局部极小值，对初始值和噪声数据敏感的缺点，提出了一种基于改进人工蜂群的FCM算法。该算法引入了全局寻优能力强的改进人工蜂群算法来求得最优解作为FCM算法的初始聚类中心，然后利用FCM算法优化初始聚类中心，最后求得全局最优解，从而有效克服了FCM算法的缺点，不仅分类准确率提高了，而且迭代次数更少，收敛速度加快，聚类效果更好，提高了效率，达到了对FCM算法优化的要求。CN109543741ACN109543741A权利要求书1/2页1.一种基于改进人工蜂群的FCM算法优化方法，其特征在于，包括以下步骤：1)获取聚类数目c、模糊指数m和数据集，并获得模糊C均值聚类FCM算法目标函数；2)定义一个用于人工蜂群算法的个体适应度函数，即个体适应度函数对于人工蜂群中每个解的评价；给出聚类问题与蜂群算法采蜜行为的对应关系；3)对人工蜂群算法进行改进，在侦查蜂阶段引入高斯变异侦查策略，求得最优解；4)将该最优解作为模糊C均值聚类FCM算法的初始聚类中心，再利用模糊C均值聚类FCM算法优化初始聚类中心，最后求得最优解。2.根据权利要求1所述的一种基于改进人工蜂群的FCM算法优化方法，其特征在于，所述步骤1)中获得模糊C均值聚类FCM算法目标函数，具体包括：n设集合X＝{x1,x2,…xn}是特征空间R上的一个限数据集合，xn表示X的第n个子集合n表示特征空间R的维度再把X划分为c类,2<＝c<＝n，设有个数为c的聚类中心V＝{v1,v2,…vc}，vc表示第c个子聚类中心n×c维矩阵U＝(uij)，uij∈【0,1】表示每个样本的隶属度矩阵，其中，i＝1,2,…,n；j＝1,2,…,c；i、j分别表示是集合{1,2,…,n}和{1,2,…,c}中的一个值uij表示样本x1对应于第j个聚类的隶属度值；FCM算法的目标函数如下：vj表示第j个子聚类中心，xi表示第i个子集合，m表示影响隶属度矩阵模糊化程度的指数权重，JFCM(U,V)表示FCM算法的目标函数。3.根据权利要求2所述的一种基于改进人工蜂群的FCM算法优化方法，其特征在于，所述步骤2)定义一个用于人工蜂群算法的个体适应度函数，即个体适应度函数对于人工蜂群中每个解的评价，具体包括：设样本空间X＝{x1,x2,…xn}，其中xi为d维向量，以人工蜂群中的一个蜂代表一个聚类中心集合V＝{v1,v2,…vc}，其vj是与xi同维的向量，对于人工蜂群中每一个解的评价，定义一个个体适应度函数：其中JFCM(U,V)为(1)中定义的目标函数，聚类效果越好，JFCM(U,V)越小，fiti就越高。4.根据权利要求2所述的一种基于改进人工蜂群的FCM算法优化方法，其特征在于，所述聚类问题与蜂群算法采蜜行为的对应关系为：在人工蜂群算法中，食物源的位置对应问题的一个可行解即聚类中心，食物源的收益度对应问题的适应度，寻找及采蜜的速度对应问题的求解速度，最大收益度对应问题的最佳效果。5.根据权利要求4所述的一种基于改进人工蜂群的FCM算法优化方法，其特征在于，所述步骤3)对人工蜂群算法进行改进，在侦查蜂阶段引入高斯变异侦查策略，求得最优解，具体包括：高斯变异是在原有个体的基础上添加一个服从高斯分布的随机扰动项，借助高斯随机扰动项，增强个体跳出局部最优解的能力，提高求解精度，其按如下定义：Xi＝Xi+Xi·N(0,1)(6)其中，Xi表示第i号个体，N(0,1)表示服从均值为0且方差为1的高斯分布；在原始的人工蜂群算法中，提出了一种更加有效的侦查策略，其方式如下：2CN109543741A权利要求书2/2页其中，表示侦查蜂生成的新的食物源位置，xbj表示当前最优食物源的位置；式(7)利用高斯随机干扰项，让算法跳出当前最优值，变异生成一个新的食物源位置，使得侦查蜂在当前最优解附近进行局部搜索。6.根据权利要求5所述的一种基于改进人工蜂群的FCM算法优化方法，其特征在于，所述步骤4)以人工蜂群算法求得最优解即聚类中心作为