CN112862055A - 一种考虑成群性一致性密集性的集群行为量化分析方法 - Google Patents
一种考虑成群性一致性密集性的集群行为量化分析方法 Download PDFInfo
- Publication number
- CN112862055A CN112862055A CN202110185782.0A CN202110185782A CN112862055A CN 112862055 A CN112862055 A CN 112862055A CN 202110185782 A CN202110185782 A CN 202110185782A CN 112862055 A CN112862055 A CN 112862055A
- Authority
- CN
- China
- Prior art keywords
- cluster
- consistency
- density
- individual
- phi
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000004445 quantitative analysis Methods 0.000 title claims abstract description 15
- 238000004458 analytical method Methods 0.000 claims abstract description 24
- 230000008569 process Effects 0.000 claims abstract description 19
- 238000004891 communication Methods 0.000 claims description 10
- 238000012935 Averaging Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000012546 transfer Methods 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 2
- 238000007621 cluster analysis Methods 0.000 claims description 2
- 238000004138 cluster model Methods 0.000 abstract description 7
- 238000007619 statistical method Methods 0.000 abstract description 6
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 230000006399 behavior Effects 0.000 description 16
- 238000004088 simulation Methods 0.000 description 12
- 238000002474 experimental method Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 241000254032 Acrididae Species 0.000 description 1
- 240000006766 Cornus mas Species 0.000 description 1
- 241001494479 Pecora Species 0.000 description 1
- 241001125046 Sardina pilchardus Species 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004377 microelectronic Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 235000019512 sardine Nutrition 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 230000000638 stimulation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出一种考虑成群性一致性密集性的集群行为量化分析方法,使用集群运动过程中每一时刻的最小子群个体数目来表征集群的成群性,对所有时刻的成群性进行综合统计分析,得到集群整个运动过程中的成群性分析结论;使用集群运动过程中每一时刻的个体之间的速度相关性来表征集群的一致性,对所有时刻的一致性进行综合统计分析,得到集群整个运动过程中的一致性分析结论;使用集群运动过程中每一时刻的个体之间的平均最小间距来表征集群的密集性,对所有时刻的密集性进行综合统计分析,得到集群整个运动过程中的密集性分析结论。本发明能够对集群性能进行准确地分析,有利于后续开展集群参数优化、集群模型验证等工作。
Description
技术领域
本发明涉及的是集群智能技术领域,尤其涉及一种集群行为量化分析方法。
背景技术
自然界中存在着多种多样的集群行为。从聚集起飞分散盘旋的欧椋鸟群到步调一致自由巡游的沙丁鱼群,从状如潮水组织有序的羊群到诡谲难测行踪不定的蝗虫群,它们犹如具有统一意识的单体生命,无一不彰显着令人叹为观止的“群体智能"。相对于它们形成的复杂系统,这些生物群体中的个体无一例外都是能力相当有限的,甚至不具有智能,但是它们却通过简单的局部自组织交互,“涌现“出了非常复杂、有序甚至高度智能化的群体行为模式,个体层面的低智能性与群体层面的高协调性形成了鲜明的对比。随着计算机技术,微电子技术等的发展,未来的群体协同必将成为新的趋势,集群系统具有低成本,可替代,易扩展,效率高等诸多优势。
作为集群研究的重要一环,定量分析集群行为是必不可少的。无论是验证集群模型还是优化集群参数,都需要构建特征量对集群行为进行分析评估。目前的集群研究,大多针对某一种特定的集群任务或集群现象展开。例如,雷小康为了分析集群的组群分群等应激现象,设计了组群耗时、分群耗时、应激精度等指标。王原等人为了分析集群到达目标点以及避障的效率,统计了到达目的地的时间、死亡率等特征量。不管是哪种方式,要回答的无非是这样一个问题:究竟什么样的集群才是最理想的集群?对于“理想”的标准,不同的研究者可能有不同的定义。
回归到集群的本质,对于任何一种集群模型,我们都希望看到这样的集群行为能够涌现:首先,集群的构成应该是完整统一的,在没有外界刺激的情况下不会分裂或分散;第二,集群个体的运动应该是协同一致的,这也是集群行为的本质体现;第三,集群个体的空间分布应该密集有序,个体尽量避免发生碰撞。可以说,成群上完整统一、速度上协同一致、空间分布上密集有序是一个集群模型能够涌现出优美的集群行为的最基本和最通用的标准。
因此,如何定量分析一个集群是否达到了成群性、一致性、密集性的标准是一个十分值得研究的问题。
发明内容
本发明的目的在于提供一种定量分析集群运动过程中的成群性、一致性、密集性的方法,为验证集群模型、优化集群参数提供基础。其中:
使用集群运动过程中每一时刻的最小子群个体数目来表征集群的成群性,对所有时刻的成群性进行综合统计分析,得到集群整个运动过程中的成群性分析结论;
使用集群运动过程中每一时刻的个体之间的速度相关性来表征集群的一致性,对所有时刻的一致性进行综合统计分析,得到集群整个运动过程中的一致性分析结论;
使用集群运动过程中每一时刻的个体之间的平均最小间距(近邻散度)来表征集群的密集性,对所有时刻的密集性进行综合统计分析,得到集群整个运动过程中的密集性分析结论。
在得到了上述分析结论之后,后续可以开展集群参数优化、集群模型验证等工作。
本发明的技术方案为:
所述一种考虑成群性一致性密集性的集群行为量化分析方法,包括以下步骤:
步骤1:针对一个运动中的集群,获取集群的运动总时长T,采集集群运动过程中每一时刻的每一个个体的位置信息以及速度信息;
步骤2:根据个体每一时刻个体的位置信息以及集群算法的邻居选择规则确定每一时刻每一个体的邻居列表,并以此计算每一时刻的最小子群个体数目Nmin;
步骤3:根据步骤2得到的最小子群个体数目Nmin,计算集群每一时刻的成群性指标φcluster(t);
步骤4:根据每一个体每一时刻的速度信息,计算集群每一时刻下的一致性指标φcorr(t);
步骤5:根据每一个体每一时刻的位置信息,计算集群每一时刻的近邻散度φnearest(t);
步骤6:根据步骤5得到的近邻散度φnearest(t),计算集群每一时刻的密集性指标φcon(t);
步骤7:将所有时刻通过步骤2-6得到的集群成群性、一致性、密集性信息在T时长上进行平均,得到集群运动的成群性分析结论Fcluster,一致性分析结论Fcorr以及密集性分析结论Fcon。
进一步的,步骤3中,根据最小子群个体数目Nmin得到当前时刻集群成群性指标φcluster(t),其计算公式为:
φcluster(t)=F1(N-Nmin(t),Ntol)
其中是为保证各个指标量纲的统一性而设计的传递函数,取值范围为F1∈(0,1],当a=0时,F1达到最大值1,随着a的增大,F1逐渐变小并无限接近于0;N为集群个体总数;Ntol>0为容忍度值,表示设定的成群性指标可以容忍的最小子群个体数目。
进一步的,步骤3中取Ntol=N/5。
进一步的,步骤4中根据每一个体每一时刻的速度信息,计算集群每一时刻下的一致性指标φcorr(t)公式为
其中vi,vj分别为个体i,j在t时刻的速度。
进一步的,步骤5中根据每一个体每一时刻的位置信息,计算集群每一时刻的近邻散度φnearest(t)公式为
其中rij为t时刻个体i和个体j之间的距离。
进一步的,步骤6中根据步骤5得到的近邻散度φnearest(t),计算集群每一时刻的密集性指标φcon(t)为
φcon(t)=F2(φnearest(t)-rtol,rtol)
进一步的,步骤6中取rtol=rsen/2,rsen为个体的通信半径。
进一步的,步骤7中将所有时刻得到的集群成群性指标在T时长上进行平均,得到集群运动的成群性分析结论Fcluster:
将所有时刻得到的集群一致性指标在T时长上进行平均,得到集群运动的一致性分析结论为:
Fcorr=Θ(φcorr)φcorr
其中Θ(.)为Heaviside阶跃函数,当φcorr≥0时,Θ(.)=1,当φcorr<0时,Θ(.)=0;
将所有时刻得到的集群密集性指标在T时长上进行平均,得到集群运动的密集性分析结论为:
有益效果
本发明提出的考虑成群性、一致性、密集性的集群行为量化分析方法能够较好地反映集群的运动状态,能够对集群性能进行准确地分析,有利于后续开展集群参数优化、集群模型验证等工作。
本发明的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1:同一个集群不同时刻的最小子群个体数
图2:实验一实际仿真运行图
图3:实验一集群运动过程中φcluster(t)、φcorr(t)、φcon(t)变化图
图4:实验二实际仿真运行图
图5:实验二集群运动过程中φcluster(t)、φcorr(t)、φcon(t)变化图
具体实施方式
下面详细描述本发明的实施例,所述实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
本实施例在笛卡尔坐标系下,初始化集群运动区域为800*800的正方形区域,个体随机在顶点坐标为(400,400)、(400,450)、(450,400)、(450,450)的正方形区域中随机产生。初始化一个集群,其个体数目为N=30,个体位置为其中i(i=1,...,N)为集群中的个体。个体速度为个体最大速度为3m/s,单位时刻转角范围为个体质量为m=1,个体通信半径为rsen=70m,仿真时长为T=100,记录每一时刻个体的位置信息和速度信息。
在仿真开始后的每一时刻,根据个体的位置信息和邻居选择规则确定每一个个体在当前时刻下的邻居列表。该集群的邻居选择规则为个体能与通信半径范围内的所有个体进行交互,因此通信范围内所有的其他个体都在个体的邻居列表内。据此构建个体之间的邻接矩阵,在邻接矩阵的基础上利用深度优先搜索算法计算最小子群个体数目Nmin:
如果集群发生了分裂或者个体分散,就会产生子群,而最小子群个体数目Nmin为当前时刻下出现的最小子群的个体数目,其最小值为Nmin=1,即出现了与其他个体完全失联的个体最大值为Nmin=N,N为当前仿真中的集群个体总数,即当前时刻仿真环境中只存在一个群,集群没有分散或分裂。Nmin的计算并不单纯依赖个体的通信半径,而是依赖邻居的传导性。例如,若个体i与个体j为邻居,个体j与个体k为邻居,即使个体k不在个体i的通信半径以内(个体k不是个体i的邻居),根据邻居的传导性,同样认为个体i和个体k在同一个群内。其具体含义如附图1所示,红色圆圈中即为当前时刻的最小子群,一个集群在不同的时刻可能有不同的最小子群个体数目。
根据最小子群个体数目Nmin可以得到当前时刻集群成群性φcluster(t),其计算公式为:
φcluster(t)=F1(N-Nmin(t),Ntol) (2)
其中,式(1)是为了保证各个指标量纲的统一性而设计的一个传递函数,取值范围为F1∈(0,1],当a=0时,F1达到最大值1,随着a的增大,F1逐渐变小并无限接近于0。式(2)中,N为集群个体总数。Ntol>0为一个容忍度值,用来描述成群性指标可以容忍的最小子群个体数目。Ntol值越大,同样最小子群个体数目的情况下,集群成群性φcluster指标越大,也就意味着对出现子群的容忍度越高。本实施例集群仿真过程中,取Ntol=N/5。
根据个体的速度信息计算集群个体之间的速度相关性,进而表征集群运动的速度一致性。当前时刻的集群个体的速度相关性(即集群每一时刻下的一致性指标)表示如下:
其中,vi,vj分别为个体i,j在t时刻的速度。速度相关性φcorr∈[-1,1],通过计算群内个体之间速度矢量的夹角来表征群集运动的一致性。φcorr越大,群集运动的个体之间的相关性就越强。
根据个体的位置信息计算当前时刻集群个体的近邻散度,也就是个体之间的平均最小间距,计算方法如下:
其中,rij为t时刻个体i和个体j之间的距离。φnearest(t)从个体间距的角度刻画了集群的密度。
根据得到的近邻散度φnearest,可以进一步计算当前时刻下的集群密集性,其计算方法为:
φcon(t)=F2(φnearest(t)-rtol,rtol) (6)
其中,F2(.)为由正态分布的概率密度导出的传递函数,其值在a=0时取最大F2(.)=1,并向两侧平滑衰减。rtol为个体间距的期望值,本实施例中取为rtol=rsen/2,rsen为个体的通信半径,即期望个体之间的距离为个体通信距离的一半,一旦集群个体的近邻散度偏离了这个值,集群的密集性分析结论就会下降。
将所有时刻得到的集群成群性信息在T时长上进行平均,得到集群运动的成群性分析结论Fcluster:
将所有时刻得到的集群一致性信息在T时长上进行平均,得到集群运动的一致性为:
由于φcorr∈[-1,1],为了保证优化过程中量纲的统一性,对式(8)进行了处理,最终得到集群运动的一致性分析结论为:
Fcorr=Θ(φcorr)φcorr (9)
其中,Θ(.)为Heaviside阶跃函数,当φcorr≥0时,Θ(.)=1,当φcorr<0时,Θ(.)=0,即Fcorr∈[0,1],Fcorr越大则集群的一致性越好。
将所有时刻得到的集群密集性信息在T时长上进行平均,得到集群运动的密集性分析结论为:
Fcon∈[0,1],Fcon越大则集群的密集性越好。
仿真实验验证与分析:
下面举例说明,为验证发明设计的集群运动性能分析方法的有效性,针对同一集群模型分别采用两组不同参数(实验一、实验二)进行仿真实验。集群运动区域为800*800的正方形区域,个体随机在(400,400)、(400,450)、(450,400)、(450,450)的正方形区域中随机产生。初始化集群一个集群,其个体数目为N=30,个体位置为其中i(i=1,...,N)为集群中的个体。个体速度为个体最大速度为3m/s,单位时刻转角范围为个体质量为m=1,个体通信半径为rsen=70m,仿真时长为T=100。
图2为实验一集群的实际仿真运行图。图3为集群运动过程中φcluster(t)、φcorr(t)、φcon(t)变化图。最终实验结果为成群性结论Fcluster=0.76,一致性结论Fcorr=0.0001,密集性结论Fcon=0.78。从图2可以看出,实验一中的集群初始化之后迅速散开,无法成群。从图3可以看出,集群的成群性指标在开始时处于较高水平,这是由于初始化时个体之间距离较近,均处于同一集群内,随着集群的散开,成群性迅速下降。集群的一致性指标一致处于较低水平,这是由于个体之间的速度始终无法达到一致。集群的密集性指标呈现先上升后下降的趋势,这是由于集群初始化时的个体之间位置较近无法满足rtol=rsen/2的期望值,随着集群散开,密集性指标逐渐增大达到接近于1,但是集群进一步扩散之后,密集性指标开始下降,与图2展示出来的行为基本一致。最终结果也显示出当前参数下的集群表现并不尽如人意,无法涌现出良好的集群行为。
图4为实验二集群的实际仿真运行图。图5为实验二集群运动过程中φcluster(t)、φcorr(t)、φcon(t)变化图。最终实验结果为成群性结论Fclister=1,一致性结论Fcorr=0.78,密集性结论Fcon=0.93。从图4中可以看出,实验二的集群在初始化之后能够迅速达到协同,成功成群。从图5中可以看出,集群的成群性、一致性、密集性指标在20步左右即可接近最大值1,与图4展示出来行为基本一致。最终结果也显示出当前参数下的集群表现良好,能够涌现出良好的集群行为。
因此,综合来说本发明提出的考虑成群性、一致性、密集性的集群行为量化分析方法能够较好地反映集群的运动状态,能够对集群性能进行准确地分析。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在不脱离本发明的原理和宗旨的情况下在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (8)
1.一种考虑成群性一致性密集性的集群行为量化分析方法,其特征在于:包括以下步骤:
步骤1:针对一个运动中的集群,获取集群的运动总时长T,采集集群运动过程中每一时刻的每一个个体的位置信息以及速度信息;
步骤2:根据个体每一时刻个体的位置信息以及集群算法的邻居选择规则确定每一时刻每一个体的邻居列表,并以此计算每一时刻的最小子群个体数目Nmin;
步骤3:根据步骤2得到的最小子群个体数目Nmin,计算集群每一时刻的成群性指标φcluster(t);
步骤4:根据每一个体每一时刻的速度信息,计算集群每一时刻下的一致性指标φcorr(t);
步骤5:根据每一个体每一时刻的位置信息,计算集群每一时刻的近邻散度φnearest(t);
步骤6:根据步骤5得到的近邻散度φnearest(t),计算集群每一时刻的密集性指标φcon(t);
步骤7:将所有时刻通过步骤2-6得到的集群成群性、一致性、密集性信息在T时长上进行平均,得到集群运动的成群性分析结论Fcluster,一致性分析结论Fcorr以及密集性分析结论Fcon。
3.根据权利要求2所述一种考虑成群性一致性密集性的集群行为量化分析方法,其特征在于:步骤3中取Ntol=N/5。
7.根据权利要求6所述一种考虑成群性一致性密集性的集群行为量化分析方法,其特征在于:步骤6中取rtol=rsen/2,rsem为个体的通信半径。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110185782.0A CN112862055B (zh) | 2021-02-11 | 2021-02-11 | 一种考虑成群性一致性密集性的集群行为量化分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110185782.0A CN112862055B (zh) | 2021-02-11 | 2021-02-11 | 一种考虑成群性一致性密集性的集群行为量化分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112862055A true CN112862055A (zh) | 2021-05-28 |
CN112862055B CN112862055B (zh) | 2024-01-12 |
Family
ID=75988446
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110185782.0A Active CN112862055B (zh) | 2021-02-11 | 2021-02-11 | 一种考虑成群性一致性密集性的集群行为量化分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112862055B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013101573A (ja) * | 2011-11-09 | 2013-05-23 | Fujitsu Ltd | 推定装置、推定方法、および推定プログラム |
WO2018072351A1 (zh) * | 2016-10-20 | 2018-04-26 | 北京工业大学 | 一种基于粒子群优化算法对支持向量机的优化方法 |
CN108830373A (zh) * | 2018-06-08 | 2018-11-16 | 武汉大学 | 仿欧椋鸟群集飞行的大规模智能群体自主协同的建模方法 |
CN112000070A (zh) * | 2020-07-28 | 2020-11-27 | 西北工业大学 | 一种异构集群协同运动规划方法 |
-
2021
- 2021-02-11 CN CN202110185782.0A patent/CN112862055B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013101573A (ja) * | 2011-11-09 | 2013-05-23 | Fujitsu Ltd | 推定装置、推定方法、および推定プログラム |
WO2018072351A1 (zh) * | 2016-10-20 | 2018-04-26 | 北京工业大学 | 一种基于粒子群优化算法对支持向量机的优化方法 |
CN108830373A (zh) * | 2018-06-08 | 2018-11-16 | 武汉大学 | 仿欧椋鸟群集飞行的大规模智能群体自主协同的建模方法 |
CN112000070A (zh) * | 2020-07-28 | 2020-11-27 | 西北工业大学 | 一种异构集群协同运动规划方法 |
Non-Patent Citations (3)
Title |
---|
NADIA NEDJAH ET AL.: ""Review of methodologies and tasks in swarm robotics towards standardization"", 《SWARM AND EVOLUTIONARY COMPUTATION 50 (2019)》 * |
YONGJIAN ZHOU ET AL.: ""MFEA-IG: A Multi-Task Algorithm for Mobile Agents Path Planning"", 《2020 IEEE CONGRESS ON EVOLUTIONARY COMPUTATION (CEC)》 * |
吴万勤;陈娇;谭昊;聂俊宇;梁志茂;: "一种新的基于海豚与沙丁鱼的集群模型研究", 云南民族大学学报(自然科学版), no. 06 * |
Also Published As
Publication number | Publication date |
---|---|
CN112862055B (zh) | 2024-01-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Han et al. | A novel data clustering algorithm based on modified gravitational search algorithm | |
Gálvez et al. | New memetic self-adaptive firefly algorithm for continuous optimisation | |
Smith-Miles et al. | Discovering the suitability of optimisation algorithms by learning from evolved instances | |
Wolfrath et al. | Haccs: Heterogeneity-aware clustered client selection for accelerated federated learning | |
Kumar et al. | Hybridization of magnetic charge system search and particle swarm optimization for efficient data clustering using neighborhood search strategy | |
CN108805193B (zh) | 一种基于混合策略的电力缺失数据填充方法 | |
CN112270398B (zh) | 一种基于基因编程的集群行为学习方法 | |
Emami et al. | Integrating fuzzy K-means, particle swarm optimization, and imperialist competitive algorithm for data clustering | |
CN110134007A (zh) | 多无人机协同目标分配方法 | |
Cuevas et al. | Evolutionary computation techniques: a comparative perspective | |
Yang et al. | Linearly decreasing weight particle swarm optimization with accelerated strategy for data clustering | |
Zhao et al. | Personalized federated few-shot learning | |
Qi et al. | A wireless sensor node deployment scheme based on embedded virtual force resampling particle swarm optimization algorithm | |
Jin et al. | Mapping very large scale spiking neuron network to neuromorphic hardware | |
CN109558889B (zh) | 生猪舒适度分析方法及装置 | |
Bouyer et al. | An efficient hybrid algorithm using cuckoo search and differential evolution for data clustering | |
Xiao et al. | Multi–level threshold selection based on artificial bee colony algorithm and maximum entropy for image segmentation | |
CN111292062B (zh) | 基于网络嵌入的众包垃圾工人检测方法、系统及存储介质 | |
Yan et al. | A novel clustering algorithm based on fitness proportionate sharing | |
CN112862055A (zh) | 一种考虑成群性一致性密集性的集群行为量化分析方法 | |
Kao et al. | An effective particle swarm optimization method for data clustering. | |
CN113162919A (zh) | 一种基于网络异常流量识别的入侵检测方法 | |
Mashayekhi et al. | Investigating the effect of spatial distribution and spatiotemporal information on speciation using individual-based ecosystem simulation | |
Feng et al. | A clustering algorithm based on emotional preference and migratory behavior | |
CN114690117A (zh) | 一种基于改进麻雀算法优化grnn的室内三维定位方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |