导读:本文包含了蚁群优化聚类论文开题报告文献综述及选题提纲参考文献，主要关键词:驾驶行为,模糊C均值聚类,蚁群聚类算法,模式识别
蚁群优化聚类论文文献综述
鲁明,王彬,刘东儒,胡颖雁[1]（2019）在《基于蚁群优化模糊C均值聚类算法的疲劳驾驶研究》一文中研究指出通过收集大数据对汽车驾驶员的疲劳特征和疲劳参数进行学习,根据学习的参数将驾驶员的疲劳程度进行分类,提出了蚁群优化的模糊C均值聚类算法。在初步聚类中运用蚁群聚类产生聚类中心和簇的个数,提供给模糊C均值聚类;利用模糊C均值聚类再次进行聚类,克服了单个聚类算法的缺点。仿真结果表明:文中方法比一般方法具有更好的性能和聚类效果。利用BP神经网络模式识别功能可以识别疲劳驾驶类别。(本文来源于《湖北汽车工业学院学报》期刊2019年02期）
郑旭峰,周健勇[2]（2018）在《K-means聚类蚁群优化算法求解大型TSP问题》一文中研究指出对于大型TSP问题,传统蚁群算法出现收敛速度慢,求解时间长,精度低等问题。针对物流配送过程中目的地聚集化现象,提出一种解决带有聚类特性TSP问题的K-means聚类蚁群算法。该算法首先对大规模的TSP问题进行K-means算法聚类,分解成小规模的子问题,小规模的TSP问题可通过传统蚁群算法求解,最后将每个聚类连接起来,完成对整个大规模问题的求解。仿真实验比较了传统蚁群算法,蚁群聚类蚁群算法以及K-means聚类蚁群算法,结果表明K-means聚类蚁群算法不仅求解速度得到极大提升,最短路径误差率也有一定下降,具有较好的效果。(本文来源于《物流科技》期刊2018年02期）
黄文威,凌云,徐敬成[3]（2018）在《基于FCM聚类和蚁群优化的WSN路由算法》一文中研究指出在无线传感器网络(WSN)中生命周期的研究中,提出一种基于LEACH协议、Fuzzy C-Means(FCM)聚类算法和蚁群算法的改进路由算法。首先在预处理阶段FCM聚类算法将节点距离形成多个簇,避免每轮成簇造成能量浪费。然后在数据传输阶段使用蚁群算法寻找从簇头到基站的最优路径。仿真结果表明,该算法与LEACH协议相比,能够有效减少能量消耗、延长网络寿命。(本文来源于《信息与电脑(理论版)》期刊2018年01期）
吕琳[4]（2017）在《基于蚁群优化的层次聚类算法及其在网络取证中的应用》一文中研究指出随着网络信息技术的发展,关于信息化的现象数不胜数。在网络中,每天都会产生各种各样不同类型的数据,随之而来出现了各种类型的网络安全问题。在这种情况下,我们需要借助社会和法律的强大力量来对付利用计算机网络进行的犯罪活动。因此,网络取证技术应运而生,并得到迅速发展。它的核心要点是对网络中各种数据信息进行提取和分析。本文应用聚类方法对网络中的数据进行分析、处理,最后判断出网络中的正常行为和异常行为。本文首先研究了分析网络数据信息所应用到的一些重要方法,然后利用特征选择方法对网络中的数据进行预处理,以便降低后续聚类分析的复杂度,最后运用层次聚类方法分析网络数据信息。本文所做的工作主要可以归纳为以下叁个方面:(1)研究特征选择方法,提出一种改进的基于最大近邻粗糙逼近的特征选择算法网络数据维数高、特征多的特点使得最优特征的选择尤为重要。基于最大近邻粗糙逼近的特征选择算法通过最大近邻确定样本的近邻类,可以直接处理混合型数据。但是由于该方法在计算属性重要度的时候只考虑了单个属性相对于决策结果的重要度,所以本文首先重新定义了评价标准,然后利用前向贪心搜索策略进行特征选择,最后选出最优特征子集。通过实验的结果,可以看出该方法选出的特征数量减少,而且在此基础上,也提高了分类性能。(2)针对层次聚类如何选取合适的合并点问题,提出一种基于蚁群优化的凝聚型层次聚类算法层次聚类算法一旦执行分裂类或合并类,就不能修正,这样就会产生低质量的聚类结果。为了获得高质量的聚类结果,本文算法首先利用蚁群优化算法中的状态转移规则选择凝聚型层次聚类算法中下一个将要被合并的数据点,然后利用信息素更新规则寻找聚类的最优路径。从实验结果看,本文算法的准确率比传统的聚类算法更高,效果更好。(3)设计了基于蚁群优化的凝聚型层次聚类的网络取证系统在分析网络数据的基础上,针对每个过程设计了相应的功能模块,并将改进的基于最大近邻粗糙逼近的特征选择算法和基于蚁群优化的凝聚型层次聚类算法应用于相应的模块中,最终实现了基于蚁群优化的凝聚型层次聚类的网络取证系统框架。该系统可以有效地分析网络数据,判断网络行为。(本文来源于《山东师范大学》期刊2017-06-06）
庞永明,钟才明,程凯[5]（2016）在《基于聚类集成的蚁群优化与受限解空间的TSP算法》一文中研究指出蚁群算法是一种元启发式搜索算法,能有效地解决TSP这类NP问题.针对该算法的信息素更新机制易导致陷入局部最优的缺点,提出了一种基于聚类集成的蚁群优化与受限解空间的TSP算法.其主要思想如下:先用叁角形TSP算法生成初始TSP并构建蚁群的初始转移概率矩阵,以减少蚂蚁选择的随机性;然后运用k-means聚类集成生成关联矩阵,作为扰动因子以优化蚂蚁对城市的选择概率,即关联城市相互吸引,不关联城市相互排斥,以避免过早陷入局部最优;最后提出一种重组受限解空间的边的方法再次优化蚁群的解.实验结果表明,与同类算法相比,该算法具有较优的结果.(本文来源于《中国科学技术大学学报》期刊2016年09期）
吕琳,尉永清,任敏,潘晓[6]（2017）在《基于蚁群优化算法的凝聚型层次聚类》一文中研究指出传统的凝聚型层次聚类在分裂或合并类时如果没有很好地作出决定,就有可能导致低质量的聚类结果,针对这一缺点,提出一种基于蚁群优化算法的凝聚型层次聚类算法。该算法先利用蚁群优化算法的状态转移规则决定凝聚型层次聚类中下一个将要合并的数据点,再利用信息素更新规则寻找聚类的最优路径,最后获得全局最优的高质量层次聚类结果。该优化算法在人工数据集和UCI数据集上的仿真实验结果表明,相对于传统的聚类算法,该算法的准确率更高,聚类效果更好。(本文来源于《计算机应用研究》期刊2017年01期）
王鹭[7]（2016）在《改进蚁群优化的区间监督模糊聚类算法研究》一文中研究指出在实际的模糊聚类分析过程中,由于测量误差、数据漏读或者数据理解错误等原因,常常造成缺失数据的产生。在不完整数据集的聚类过程中,如果缺失属性的处理不恰当,会严重影响算法的聚类性能。对于缺失属性填充的最终目的就是尽可能地接近原有的真实值,使得不完整数据的聚类结果准确性得到提高。本文针对模糊C均值算法只能用于完整数据集聚类的问题,提出一种基于缺失属性和聚类中心编码的蚁群混杂聚类算法。在该算法中,蚁群中的每个蚂蚁个体的位置都代表缺失属性和聚类中心的一组解。在信息素的引导下,蚁群呈现出集体自催化和全局寻优的特性。最后利用蚁群搜索出的缺失属性和聚类中心的最佳估计值求得最终的隶属度矩阵,完成不完整数据集的聚类。随着蚁群的全局搜索过程,蚂蚁个体位置对应的分量,也就是缺失属性和聚类中心的估计值可能超出其搜索范围,进而导致严重偏离真实值。对此,本文提出一种区间监督强制策略。在迭代中,如果缺失属性的估计值超出监督区间,则将其强制到最近邻期望,然后继续迭代。如果某一缺失值有连续若干次迭代都超出区间范围,则将该缺失值固定到最近邻期望,以后的迭代中不再改变。聚类中心的区间监督策略为如果聚类中心的迭代值超出其监督区间,则将其强制到区间中心。最后,本文采用uCI机器学习数据库中的Iris,Breast,Bupa叁个数据集和两个高斯数据集进行实验,实验结果表明,采用基于缺失属性和聚类中心编码的混杂聚类算法的聚类结果更准确,而区间监督强制策略的引入,则使得缺失属性和聚类中心的估计值更接近真实值,从而提高了聚类性能。(本文来源于《辽宁大学》期刊2016-04-01）
凌海峰,刘超超[8]（2015）在《基于MapReduce框架的并行蚁群优化聚类算法》一文中研究指出传统蚁群优化聚类算法在处理大规模数据时存在内存不足,不能体现蚁群算法的并行优势,无法处理分布式数据等问题。为此,提出一种并行蚁群优化聚类算法。通过借鉴搜索空间复制和搜索空间分块的思想,解决大数据处理问题,逐行读取信息素和数据,避免当数据规模过大时,将信息素一次性读入而造成内存不足的风险。实验结果表明,该算法在处理大规模数据时具有较好的可扩展性和较高的加速比。(本文来源于《计算机工程》期刊2015年08期）
刘超超[9]（2015）在《基于MapReduce计算框架的蚁群优化聚类算法设计与改进研究》一文中研究指出作为一种典型的聚类算法——蚁群优化聚类,借助其较强的鲁棒性、易于与其他方法结合等特点,在各领域都得到了广泛的应用。而随着互联网的快速发展,数据规模的急剧增大,传统的蚁群优化聚类方法在处理大规模数据时存在内存不足、不能充分体现出蚁群算法并行优势、无法处理分布式数据等问题。Google公司提出的MapReduce计算框架是处理大规模数据的一个可选方案,在国内外的科学研究中,已有很多人研究基于该框架的聚类算法,并取得了很好的效果。因此,基于MapReduce计算框架对传统的蚁群聚类算法进行设计、优化具有重要的意义。本文首先对聚类分析算法做了详细的总结和介绍,从数据挖掘到聚类分析算法分类,再到ACOC聚类算法,分析和总结了当前常见的聚类分析算法,并针对ACOC聚类算法分析其优缺点；随后对MapReduce计算框架做了简要概述,并介绍了用于本实验的Hadoop平台的搭建工作。本文的重点是提出了一种基于MapReduce计算框架的蚁群聚类算法MR-ACOC,该算法通过将搜索空间复制和搜索空间分块进行结合,既解决了大数据的处理问题又体现了蚁群算法的并行机制；算法分别逐行读取信息素和数据,避免了数据规模过大时一次性读入信息素造成系统内存不足的风险。另外,为了提高算法的执行效率,本文通过对数据类簇和中心节点模块进行拆分、在目标函数值计算模块以及确定中心点模块中添加combiner函数、将数据源换成]Hbase数据源等方式对MR-ACOC算法做了进一步的优化。通过实验表明,该算法在处理大规模数据时具有很好的可扩展性和加速比。(本文来源于《合肥工业大学》期刊2015-04-01）
王秀和[10]（2015）在《利用K均值算法改进后的蚁群优化算法对高光谱图像聚类研究》一文中研究指出在对K均值算法和图像聚类的蚁群优化算法(ACO)进行对比分析后,本文提出了K均值ACO算法来解决K均值误分类和ACO慢聚敛的问题。K均值ACO算法将K均值的结果当成ACO的启发式信息,如此提高了ACO在蚁群寻找规则方面的光照概率和光照像素,允许蚁群根据信息素集中度而非概率来筛选节点,以致可以在不对ACO的随机搜索质量进行改变的情况下就可以完全获取到启发式信息。对模拟数据和真实数据进行验证后,K均值ACO算法证实可以改善K均值误分类的聚类精确度并提高ACO的收率速度。(本文来源于《科技通报》期刊2015年03期）
蚁群优化聚类论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
对于大型TSP问题,传统蚁群算法出现收敛速度慢,求解时间长,精度低等问题。针对物流配送过程中目的地聚集化现象,提出一种解决带有聚类特性TSP问题的K-means聚类蚁群算法。该算法首先对大规模的TSP问题进行K-means算法聚类,分解成小规模的子问题,小规模的TSP问题可通过传统蚁群算法求解,最后将每个聚类连接起来,完成对整个大规模问题的求解。仿真实验比较了传统蚁群算法,蚁群聚类蚁群算法以及K-means聚类蚁群算法,结果表明K-means聚类蚁群算法不仅求解速度得到极大提升,最短路径误差率也有一定下降,具有较好的效果。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
蚁群优化聚类论文参考文献
[1].鲁明,王彬,刘东儒,胡颖雁.基于蚁群优化模糊C均值聚类算法的疲劳驾驶研究[J].湖北汽车工业学院学报.2019
[2].郑旭峰,周健勇.K-means聚类蚁群优化算法求解大型TSP问题[J].物流科技.2018
[3].黄文威,凌云,徐敬成.基于FCM聚类和蚁群优化的WSN路由算法[J].信息与电脑(理论版).2018
[4].吕琳.基于蚁群优化的层次聚类算法及其在网络取证中的应用[D].山东师范大学.2017
[5].庞永明,钟才明,程凯.基于聚类集成的蚁群优化与受限解空间的TSP算法[J].中国科学技术大学学报.2016
[6].吕琳,尉永清,任敏,潘晓.基于蚁群优化算法的凝聚型层次聚类[J].计算机应用研究.2017
[7].王鹭.改进蚁群优化的区间监督模糊聚类算法研究[D].辽宁大学.2016
[8].凌海峰,刘超超.基于MapReduce框架的并行蚁群优化聚类算法[J].计算机工程.2015
[9].刘超超.基于MapReduce计算框架的蚁群优化聚类算法设计与改进研究[D].合肥工业大学.2015
[10].王秀和.利用K均值算法改进后的蚁群优化算法对高光谱图像聚类研究[J].科技通报.2015