导读:本文包含了遗传均值聚类算法论文开题报告文献综述及选题提纲参考文献，主要关键词:聚类分析,遗传算法,制丝工艺,卷烟生产
遗传均值聚类算法论文文献综述
方利梅,王柳婧,徐元根[1]（2019）在《基于K均值聚类和改进遗传算法的制丝工艺研究》一文中研究指出制丝工艺是卷烟生产的重要工艺步骤,由于原料烟叶缺乏统一的性能指标数据,传统烟丝掺配主要采用人工经验模式来进行,因此传统制丝工艺存在原料成本高、掺配速度慢、烟丝质量不稳定等缺点。为改进制丝工艺,提出一种结合K均值聚类算法和改进遗传算法的自动烟丝掺配工艺。首先,基于原料烟叶生产卷烟产品质量的不同,对原料烟叶数据进行K均值聚类分析,从而实现原料烟叶的自动分级;然后,通过改进遗传算法的种群初始化策略、遗传算子以及进化终止条件,将烟丝掺配的各项约束条件融合到种群进化过程中,在保证烟丝掺配的各项约束条件的前提下,兼顾算法求解的有效性和效率,从而实现制丝工艺的改进。通过在给定数据上的仿真试验,验证该算法的有效性,在保证烟丝掺配质量的情况下,有效降低了原料成本。(本文来源于《安徽农业科学》期刊2019年12期）
董发志,丁洪伟,杨志军,熊成彪,张颖婕[2]（2019）在《基于遗传算法和模糊C均值聚类的WSN分簇路由算法》一文中研究指出针对无线传感器网络(WSN)的节点能量有限、生命周期短、吞吐量低等问题,提出一种基于遗传算法(GA)和模糊C均值(FCM)聚类的WSN分簇路由算法GAFCMCR,采取"集中分簇,分布簇头选举"的方式。网络初始化时基站采用由GA优化的FCM聚类算法形成网络分簇。第一轮簇头由距簇中心最近的节点担任;从第二轮开始,簇头的选举由上一轮的簇头负责,选举过程综合考虑候选节点的剩余能量、与基站的距离、与簇内其他节点的平均距离叁个因子,并根据网络状态实时调整叁个因子的权重。在数据传输阶段,将轮询机制引入簇内通信。仿真结果表明,相同网络环境下,与LEACH算法和基于K-Means的均匀分簇路由(KUCR)算法相比,GAFCMCR将网络生命周期延长了105%和20%。GAFCMCR成簇效果良好,具有良好的能量均衡性和更高的吞吐量。(本文来源于《计算机应用》期刊2019年08期）
李鹏松,石卓,刘欣[3]（2018）在《基于免疫遗传算法的模糊C均值聚类算法应用研究》一文中研究指出应用硬聚类算法及模糊聚类算法解决数据分类问题时,在迭代过程中容易陷入局部极小.本文提出了一种基于免疫遗传算法的模糊C均值聚类算法,克服了现有算法的缺点.将本文算法应用于葡萄酒和鸢尾花数据集,得出结果说明其有效性.(本文来源于《东北电力大学学报》期刊2018年03期）
李洁,蒋林利,彭昱忠[4]（2016）在《基于量子遗传算法的点概率K均值聚类算法》一文中研究指出点概率方法解决了K-均值聚类算法对初始值的敏感问题,实现简单、收敛快,但易陷入局部最优解;量子遗传算法具有较强的全局搜索能力,该文将量子遗传算法和点概率K-均值聚类方法相结合,提出一种新的算法,即QGA-DK-means的聚类算法,实验表明该方法的聚类效果较好。(本文来源于《广西师范学院学报(自然科学版)》期刊2016年02期）
詹森,秦大同,曾育平[5]（2016）在《基于遗传优化K均值聚类算法工况识别的混合动力汽车能量管理策略》一文中研究指出针对目前基于工况识别的混合动力汽车能量管理策略中工况识别算法的局限性和缺点,应用K均值聚类算法进行工况识别,并结合等效燃油最小能量管理策略(ECMS)实现对整车的能量管理。具体方法为:选定4种典型城市循环工况,根据等效燃油最小能量管理策略,得到4种典型工况下不同等效燃油系数与油耗之间的关系,根据所得每种典型工况均有相应的最优等效燃油系数和最优需求功率分配方式的分析结果,对某随机行驶工况采用遗传优化后的K均值聚类算法进行识别,获得随机工况当前所属的工况类别,结合所属工况类别对发动机和电机的功率进行实时优化分配。仿真结果表明:所制定的能量策略同未采用工况识别的能量管理策略相比,车辆综合油耗下降了7.47%,电池荷电状态变化更加平稳,而且能更好地维持在电池效率较高的区域。(本文来源于《中国公路学报》期刊2016年04期）
殷旅江,杨立君,胡明茂,邓义成[6]（2015）在《基于混合遗传模拟退火的模糊C-均值聚类算法》一文中研究指出一般模糊C-均值聚类算法存在易于陷入局部最优的缺陷,基于此,提出了一种基于混合遗传模拟退火的模糊C-均值聚类算法,并利用UIC机器学习数据库中的Car、Iris和Wine数据集验证了算法的有效性。(本文来源于《湖北汽车工业学院学报》期刊2015年03期）
董倩[7]（2015）在《改进遗传算法优化模糊均值聚类中心的图像分割》一文中研究指出针对传统模糊均值聚类算法存在的问题,提出一种改进遗传算法优化模糊均值聚类中心的图像分割算法.首先在标准遗传算法的交叉操作中引入方向因子,使参与交叉的个体向最佳个体靠近,加快算法的收敛速度,并通过增强群体间的信息共享机制提高算法的全局搜索能力,避免了早熟收敛,改善了全局解的精度;然后采用改进遗传算法选择模糊均值聚类算法的初始聚类中心,实现图像分割;最后采用仿真实验测试算法性能.实验结果表明,相对于传统模糊均值聚类算法及其他图像分割算法,本文算法在分割正确率、分割速度及鲁棒性上均更优.(本文来源于《吉林大学学报(理学版)》期刊2015年04期）
张敏[8]（2015）在《一种基于遗传优化的k均值聚类算法研究》一文中研究指出在k均值聚类算法设计过程中引入遗传算法,提出一种改进的k均值聚类遗传算法。在新的算法设计中对适度函数重新构造,同时在遗传算法的变异操作中引入新的变异算子,该变异操作主要利用对种群个体长度的不断改变来实现聚类数的自动增减,即使k值不断向最佳聚类值靠近。(本文来源于《科技视界》期刊2015年03期）
吴迪,刘循[9]（2014）在《基于遗传算法思想的加权模糊C均值聚类分析》一文中研究指出模糊C均值主要考虑距离函数,即点与点之间的关系。在样本集中,不同样本点对于聚类的影响不同,加权模糊C均值通过对点本身加权来体现这一点。(加权)模糊C均值对初始中心敏感,且容易陷入局部最优;而遗传算法则是全局最优。所以,将二者的思想结合,利用遗传算法得到初始聚类中心,再用加权模糊C均值进行分类,可以得到更好的聚类效果。(本文来源于《现代计算机(专业版)》期刊2014年23期）
仲崇峰,刘智[10]（2014）在《改进的基于遗传模糊C均值聚类的图像分割算法》一文中研究指出模糊C均值(Fuzzy C-Means,FCM)聚类算法已广泛应用于图像分割领域,其本质是一种局部搜索算法,采用迭代爬山算法寻找最优解,对初始聚类中心敏感,很容易陷入局部极优值,且没有考虑图像的空间邻域信息,对噪声敏感。本文提出了改进的基于遗传模糊聚类的图像分割算法,利用遗传算法的全局寻优能力来克服FCM算法容易陷入局部极优值问题;并在FCM算法的目标函数中添加空间邻域信息来约束隶属度函数从而提高对噪声的鲁棒性,使分割更加符合期望。实验结果表明本文算法的有效性,图像分割时具有较强的抗噪能力和较好的分割效果。(本文来源于《长春理工大学学报(自然科学版)》期刊2014年02期）
遗传均值聚类算法论文开题报告
（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：
针对无线传感器网络(WSN)的节点能量有限、生命周期短、吞吐量低等问题,提出一种基于遗传算法(GA)和模糊C均值(FCM)聚类的WSN分簇路由算法GAFCMCR,采取"集中分簇,分布簇头选举"的方式。网络初始化时基站采用由GA优化的FCM聚类算法形成网络分簇。第一轮簇头由距簇中心最近的节点担任;从第二轮开始,簇头的选举由上一轮的簇头负责,选举过程综合考虑候选节点的剩余能量、与基站的距离、与簇内其他节点的平均距离叁个因子,并根据网络状态实时调整叁个因子的权重。在数据传输阶段,将轮询机制引入簇内通信。仿真结果表明,相同网络环境下,与LEACH算法和基于K-Means的均匀分簇路由(KUCR)算法相比,GAFCMCR将网络生命周期延长了105%和20%。GAFCMCR成簇效果良好,具有良好的能量均衡性和更高的吞吐量。
（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。
遗传均值聚类算法论文参考文献
[1].方利梅,王柳婧,徐元根.基于K均值聚类和改进遗传算法的制丝工艺研究[J].安徽农业科学.2019
[2].董发志,丁洪伟,杨志军,熊成彪,张颖婕.基于遗传算法和模糊C均值聚类的WSN分簇路由算法[J].计算机应用.2019
[3].李鹏松,石卓,刘欣.基于免疫遗传算法的模糊C均值聚类算法应用研究[J].东北电力大学学报.2018
[4].李洁,蒋林利,彭昱忠.基于量子遗传算法的点概率K均值聚类算法[J].广西师范学院学报(自然科学版).2016
[5].詹森,秦大同,曾育平.基于遗传优化K均值聚类算法工况识别的混合动力汽车能量管理策略[J].中国公路学报.2016
[6].殷旅江,杨立君,胡明茂,邓义成.基于混合遗传模拟退火的模糊C-均值聚类算法[J].湖北汽车工业学院学报.2015
[7].董倩.改进遗传算法优化模糊均值聚类中心的图像分割[J].吉林大学学报(理学版).2015
[8].张敏.一种基于遗传优化的k均值聚类算法研究[J].科技视界.2015
[9].吴迪,刘循.基于遗传算法思想的加权模糊C均值聚类分析[J].现代计算机(专业版).2014
[10].仲崇峰,刘智.改进的基于遗传模糊C均值聚类的图像分割算法[J].长春理工大学学报(自然科学版).2014