欢迎来到本博客❤️❤️
博主优势:博客内容尽量做到思维缜密,逻辑清晰,为了方便读者。
⛳️座右铭:行百里者,半于九十。
本文目录如下:
目录
1 概述
2 运行结果
3 参考文献
4 Matlab代码、数据、文章讲解
基于以上三点改进提出了 IABC-Kmeans 算法。该算法的基本思想是: 通过 IABC 算法进行一次迭代,将迭代得到的新位置作为 KMC 的初始点并进行一次 K 均值聚类,再用聚类获得的新的中心点更新蜂群; 如此交替执行 IABC 算法和 K均值聚类,直到算法结束。
算法基本步骤描述如下:
步骤 1 设置引领蜂、跟随蜂和侦察蜂的数量( 一般有引领蜂数量 = 跟随蜂数量) ; 最大迭代次数 MCN 以及控制参数Limit; 当前迭代次数Cycle,初始值为1; 聚类类别数 k; 利用最大最小距离积法初始化蜂群,产生 { Z1,Z2,…,ZN } 个初始蜂 群。
步骤 2 对初始蜂群进行一次聚类划分,根据式( 5) 计算每只蜜蜂的适应度,按照适应度大小排序,将前一半作为引领蜂,后一半作为跟随蜂。
步骤 3 引领蜂利用式( 6) 对其邻域进行搜索,得到新的位置,按照贪婪选择原则,如果新的位置的适应度大于原先位置的适应度,则用新的位置更新原位置; 否则,保持原位置不变。当所有引领蜂完成邻域搜索后,根据式( 4) 计算概率 Pi。
步骤 4 跟随蜂利用算得的概率 Pi 并基于轮盘赌原则选择引领蜂,原则上,Pi 越大,表明引领蜂 i 的适应度值越大,被跟随蜂选中的概率也越大。当跟随蜂完成引领蜂选择后,利用式( 7) 对邻域搜索,同样按照贪婪选择原则选择适应度高的位置。
步骤 5 在所有跟随蜂完成搜索后,将得到的位置作为聚类中心,对数据集进行一次 K 均值迭代聚类,根据聚类划分,用每一类的新的聚类中心更新蜂群。
步骤 6 如果某引领蜂在 Limit 次迭代后,结果都没有改变,则由引领蜂变为侦察蜂,并随机产生一个新的位置取代原位置。
步骤 7 如果当前迭代次数大于最大次数 MCN,则迭代结束,算法结束; 否则转向步骤 2,Cycle = Cycle + 1。
复现结果:
部分代码:
function [Colony Obj Fit oBas]=GreedySelection(Colony1,Colony2,ObjEmp,ObjEmp2,FitEmp,FitEmp2,fbas,ABCOpts,i)
oBas=fbas;
Obj=ObjEmp;
Fit=FitEmp;
Colony=Colony1;
if (nargin==8)%Inside the body of a user-defined function, NARGIN returns the number of input arguments that were used to call the function.
for ind=1:size(Colony1,1)%ind=1:5,对所有食物源进行贪婪选择
if (FitEmp2(ind)>FitEmp(ind))%如果Vi的适应度值大于Xi的,替换,,
oBas(ind)=0;
%zj因为这是已经被新的位置更新了,所以其开采度应该置为零,表示这是第一次,没有被开采过
Fit(ind)=FitEmp2(ind);
Obj(ind)=ObjEmp2(ind);
Colony(ind,:)=Colony2(ind,:);
else%否则不变,并且计数器bas+1
oBas(ind)=fbas(ind)+1;
%zj因为新的位置的适应度没有当前的好(大),所以在当前位置上仍保留当前解,表示当前又被开采了一次
Fit(ind)=FitEmp(ind);
Obj(ind)=ObjEmp(ind);
Colony(ind,:)=Colony1(ind,:);
end;
end; %for
end; %if
if(nargin==9)%第i个引领蜂被跟随,只对第i个食物源进行贪婪选择
ind=i;
if (FitEmp2(ind)>FitEmp(ind))
oBas(ind)=0;
Fit(ind)=FitEmp2(ind);
Obj(ind)=ObjEmp2(ind);
Colony(ind,:)=Colony2(ind,:);
else
oBas(ind)=fbas(ind)+1;
Fit(ind)=FitEmp(ind);
Obj(ind)=ObjEmp(ind);
Colony(ind,:)=Colony1(ind,:);
end;
end;
文章中一些内容引自网络,会注明出处或引用为参考文献,难免有未尽之处,如有不妥,请随时联系删除。
[1]喻金平,郑杰,梅宏标.基于改进人工蜂群算法的K均值聚类算法[J].计算机应用,2014,34(04):1065-1069+1088.