CN110442143B - 一种基于组合多目标鸽群优化的无人机态势数据聚类方法 - Google Patents
一种基于组合多目标鸽群优化的无人机态势数据聚类方法 Download PDFInfo
- Publication number
- CN110442143B CN110442143B CN201910603461.0A CN201910603461A CN110442143B CN 110442143 B CN110442143 B CN 110442143B CN 201910603461 A CN201910603461 A CN 201910603461A CN 110442143 B CN110442143 B CN 110442143B
- Authority
- CN
- China
- Prior art keywords
- pigeon
- node
- data
- nodes
- clustering
- 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.)
- Active
Links
- 241000272201 Columbiformes Species 0.000 title claims abstract description 169
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000005457 optimization Methods 0.000 title claims abstract description 43
- 239000011159 matrix material Substances 0.000 claims abstract description 28
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 26
- 230000008569 process Effects 0.000 claims abstract description 12
- 238000004364 calculation method Methods 0.000 claims abstract description 8
- 239000013598 vector Substances 0.000 claims description 14
- 238000004088 simulation Methods 0.000 claims description 12
- 238000011156 evaluation Methods 0.000 claims description 10
- 244000144992 flock Species 0.000 claims description 6
- 238000009826 distribution Methods 0.000 claims description 4
- 238000006116 polymerization reaction Methods 0.000 claims description 4
- 108010074506 Transfer Factor Proteins 0.000 claims description 3
- 230000001174 ascending effect Effects 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 description 26
- 238000007418 data mining Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000006399 behavior Effects 0.000 description 2
- 238000007621 cluster analysis Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 241000122205 Chamaeleonidae Species 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Images
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种基于组合多目标鸽群优化的无人机态势数据聚类方法:加载数据集;计算数据集的差异矩阵和邻接矩阵;利用普利姆算法求解最小生成树;将最小生成树中的边集划分为强连接边集和弱连接边集;对强连接边集进行解码,并进行聚类的预计算;产生初始鸽群并解码得到聚类结果,然后采用紧密性和连续性评价初始时刻鸽群;对初始鸽群进行非支配排序,确定当前时刻鸽群的全局历史最优位置和中心位置;更新鸽群的位置和速度,对鸽群位置解码得到聚类结果,更新鸽群全局历史最优位置和中心位置,持续该过程直至满足终止条件。本发明方法实现简单,降低了计算负荷,降低了决策空间的维度,更容易搜索到最优解,具备较好地适应不同聚类需求的能力。
Description
技术领域
本发明涉及一种基于组合多目标鸽群优化的无人机态势数据聚类方法,属 于数据挖掘技术领域。
背景技术
无人机具有造价低、经济性好、滞空时间长、能够在恶劣环境下执行任务 并可避免人员伤亡等优点,在电网巡检、搜索与救援、航拍等民用领域以及目 标侦察、跟踪、打击等军事领域都有着广泛应用。单架无人机由于受到感知范 围、武器载荷、计算能力等因素限制,难于完成复杂的任务。多架无人机通过 信息的交互共享,以功能分布化的形式协同执行搜索、侦察和打击等任务,能 有效提高体系生存率和整体执行效能。多无人机协同执行任务过程中,态势感 知是无人机行为决策的依据,无人机集群中的每架无人机都需要根据其对周围 环境的感知信息和接收到的临近友机的信息等综合信息进行数据挖掘,对其进 行知识挖掘和模式分类,从而提取出有价值的知识和重要的信息。但是多个无 人机并存的模式以及环境信息的瞬息万变,使得待处理的信息量剧增,无人机 的信息处理能力和计算能力受限。因此设计一种合理高效的数据挖掘方法至关 重要。本发明旨在通过设计一种基于组合多目标鸽群优化的数据聚类分析方法, 提高无人机处理大规模数据挖掘的能力,降低计算负荷,使其能从海量的数据 中提取出有价值的知识和重要的信息,有利于无人机的态势评估和行为决策。
数据聚类是数据挖掘中的一项常用的方法,属于无监督的学习。常用的数 据聚类方法主要包括基于划分的聚类(K-均值和K-中心点算法)、基于层次的 聚类(Chameleon算法)、基于密度的聚类(DBSCAN算法)等。这些方法的 提出有效地解决了数据的聚类问题,但是随着数据维数的增加,其性能会相应 地下降。此外,由于数据聚类属于无监督的学习,其数据是没有标签的,在缺 乏先验知识的条件下不同的评价指标可能会导致不同的聚类结果。目前的聚类 方法多采用单一的评价指标来指导聚类过程,如:紧凑性或可分性,当给定不 同信息集时,单个的评价指标往往不能对大部分的数据集都有效。因此,针对 现有聚类方法存在的问题,本发明将数据聚类问题转化为优化问题,根据需求 同时选取多个可能存在相互约束关系的合适的聚类评价指标,然后基于组合多 目标鸽群优化方法设计一种可用于大规模数据的数据聚类分析方法,通过同时 优化多个评价指标以获取数据集的不同特征,为实现无人机从复杂海量的态势 信息中获取更多的有价值的信息提供有利的支撑。
发明内容
本发明提供了一种基于组合多目标鸽群优化的无人机态势数据聚类方法, 其目的是将数据聚类问题转化为优化问题,并设计组合多目标鸽群优化算法来 求解该问题,从而实现数据的聚类分析。
本发明针对数据的聚类问题,提供了一种基于组合多目标鸽群优化的无人 机态势数据聚类方法,该方法的实现框图如图1所示,主要的实现步骤如下:
步骤一:加载无人机态势数据集
步骤二:计算数据集的差异矩阵和邻接矩阵
数据聚类的目的是根据某个标准或数据的内在性质及规律将相似度高的数 据划分到同一簇,而相似度较低的数据划分到不同的簇。用节点间的欧式距离来表示数据集中节点i与数 据节点j之间的差异性,欧式距离越小,数据集中两节点的差异性越小,其被 划分为同一簇的可能性越大。计算数据集中所有节点间的欧式距离dij,并对其 进行归一化处理则可得节点的差异矩阵Ddata为:
对如式(1)所示的差异矩阵按行进行升序排序,得到如式(2)所示的邻接矩阵:
步骤三:求解最小生成树
根据如式(2)所示的邻接矩阵,采用普利姆算法求解最小生成树。随机选择 一个节点i作为起始点,选择与它差异性最小的节点j,并将该节点加入到顶点 集S=[i]中,则S=S∪[i]=[i,j]。此外,将生成的边j→i加入到边集V中,V=[j→i]。 在j→i中,将边的起点j存放在起点集Ssp中,终点i存放到终点集Sep中,Sep(j)=i 表示节点j连接到节点i,i为终点集Sep的元素,而j称为元素i在终点集Sep中的 元素索引标号。重复该步骤,将不在顶点集中的节点且与在顶点集中任一节点 差异性最小的节点依次选择出来,生成新的边,并更新顶点集、边集、起点集 和终点集,当数据集中的所有节点均被加入顶点集时,终止该步骤。依次将终 点集Sep及其元素索引标号进行连接则可生成数据集的最小生成树。
步骤四:将最小生成树中的边集划分为强连接边集和弱连接边集
根据式(3)和数据集的邻接矩阵Nnearest和差异矩阵Ddata计算每一条边j→i的 权重值Wji:
其中,nn(i,j)用于计算节点j是节点i的第几个最近邻。根据邻接矩阵Nnearest可得, 如果nn(i,j)=nik,则表示节点j是节点i的第k个最近邻。权重值Wji越大,表示 节点j与节点i之间的差异越大,其被划分为同一簇的可能性越小。
根据式(3)计算数据集的最小生成树的所有边的权重值W,并将这些边对应 的权重值进行降序排序,将权重值较大的λ×(Ndata-1),0≤λ≤1条边加入弱连接 边集Es,剩余的(1-λ)×(Ndata-1)条边加入强连接边集Ew。同时起点集Ssp也相应 地被划分为弱连接起点集Sspw和强连接起点集Ssps。
在以下步骤采用鸽群优化算法求解数据聚类优化问题的过程中,所有强连 接边的连接关系均不发生改变,而弱连接边集则被舍弃,通过给弱连接起点集 Ssps中的所有节点j重新分配连接终点k(k为节点j的m个领域内的邻近节点), 从而形成新的连接关系j→k来代替原弱连接边j→i,全部弱连接终点k组成第 i只鸽子的位置其中Nws为Ssps中节点的数目。
步骤五:对强连接边集进行解码得到预聚类结果
由于强连接边集在随后的聚类优化求解中均不发生改变,因此可先将强连 接边集解码得到数据预聚类结果。从强连接起点集Ssps中随机选择一个节点作为 起始点,将所有连接在一起的节点划分到同一类,引入分类标志向量表 示数据集中各个节点被分配到的类的标号,如A(2)=3表示节点2被划分到第3 类,对于弱连接起点集Sspw里的节点,其分类标志均初始化为A(i)=-1,i∈Sspw, 重复该步骤直至所有强连接起点集Ssps中的节点均被分配。
步骤六:产生初始鸽群
随机生成psize个鸽子,每只鸽子包含空间位置和速度其中i为鸽子的编号,鸽子的空间位置表示 全部新的弱连接边的连接终点k。通过更新鸽子的空间位置即可得到不同的弱 连接边集。设置当前仿真时间为t=0。R为地图和指南针算子,β1和β2为随机 产生的服从高斯分布的随机数,σ为转移因子,Tmax为最大迭代次数,为1×Nsw维的行向量。
步骤七:评价t=0时刻鸽群的目标函数
根据鸽子的空间位置和终点集Sep进行鸽子的空间位置 的全编码长度重构,将重构以后的鸽子进行解码获得各节点间的连接关系,然 后根据节点间的连接关系将所有分类标识仍为A(i)=-1,i∈Sspw的节点分配到相 应的类中,直至所有节点的分类标识A(i)≠-1,i∈Sspw。根据分类标志向量A可得 数据集中所有数据的聚类结果Ci=[c1,c2,…,cγ],其中γ为所形成的类的数目, cτ,τ=1,2,…,γ为第τ类。
选择紧密性和连续性两个聚类评价指标(目标函数)来评价聚类结果的好 坏,用类内聚类距离来表征聚类的连续性(目标函数f1):
用类内聚类距离来表征聚类的紧密性(目标函数f2)。首先根据式(5)计算每一 类中各个节点到聚类中心的平均距离。
其中,cdτ表示第τ类中各个节点到聚类中心的平均距离,cτ为第τ类的节点集, |cτ|为第τ类包含的节点数,为第τ类的聚类中心。重复此步骤 直至计算出鸽群中所有鸽子对应的目标函数值,其中鸽子i代表着第i个聚类结 果C=[c1,c2,…,cγ],其对应的目标函数值为Fi(t)=[fi1(t),fi2(t)]。
步骤八:对初始鸽群进行非支配排序,确定当前时刻鸽群的全局历史最优 位置和中心位置
基于目标函数值比较鸽子i与鸽子j的支配关系,通过Pareto(帕累托)非 支配排序算法对整个鸽群进行分层。如果鸽子i的所有目标函数值 Fi(t)=[fi1(t),fi2(t)]均优于鸽子j的目标函数值Fj(t)=[fj1(t),fj2(t)],即fi1(t)≤fj1(t)且 fi2(t)≤fj2(t),则称鸽子i支配鸽子j,若鸽子i没有被其它鸽子支配,则称该鸽 子为非支配鸽子,将其划分到第一级非支配层。
将所有位于第一级非支配层的非支配鸽子保存到外部存档集AS中,从外部 存档集AS中随机选择一只鸽子,将其作为t时刻的全局最优位置pbest(t),将外部 存档集AS中位于第一级非支配层的所有鸽子的平均位置作为pcenter(t)。
步骤九:更新鸽子的位置和速度
引入辅助向量ζi=[ζi1,ζi2,…,ζiNws],ζij∈[-1,0,1]把连续鸽群优化算法转化为组合优化算法,使其可以用于求解聚类优化问题:
其中,pcenterj(t)为t时刻鸽群中心位置pcenter(t)的第j个元素,pgbestj(t)为t时刻鸽群 的历史最优位置pgbest(t)的第j个元素。根据式(7)可得鸽子的速度更新公式为:
然后根据t+1时刻鸽子的速度vi(t+1)计算ζi(t+1):
其中,δ为预定的常数,将更新后的ζi(t+1)代入式(10)来更新鸽子在t+1时刻的位置:
其中,λ为随机选择的pij(t)最近邻。重复该步骤直至所有鸽子的位置和速度更 新完成。
步骤十:评估t+1时刻鸽群的适应度函数
根据步骤六对鸽子进行解码,形成聚类,并计算t+1时刻鸽群的适应度函 数Fi(t+1)=[fi1(t+1),fi2(t+1)]。基于目标函数值比较鸽子pi(t+1)与鸽子pj(t+1)的支配 关系,将所有位于第一级非支配层的非支配鸽子保存到外部存档集AS中。
步骤十一:对外部存档集AS进行非支配排序,并依据拥挤距离来选择AS中 需要舍弃的鸽子
对t+1时刻的外部存档集AS中保存的所有鸽子进行非支配排序,舍弃非第 一级非支配层的非支配鸽子,并计算第一级非支配层的非支配鸽子的拥挤距离, 舍弃拥挤距离大的鸽子。
步骤十二:更新鸽子的全局最优位置以及中心位置,并更新鸽群数量
从外部存档集AS中随机选择一只鸽子,将其位置作为t+1时刻的全局最优 位置pbest(t+1),将第一级非支配层的非支配鸽子的中心位置作为鸽群的中心位置 pcenter(t+1)。在每次迭代过程中,鸽子的数目会逐渐减小。
Psize(t+1)=Psize(t)-Pdec (11)
其中,Pdec为舍弃的鸽子数目。
步骤十三:判断是否停止迭代
仿真迭代次数t=t+1。若t大于最大仿真迭代次数Tmax,则仿真结束,进入步 骤十四;否则,返回步骤八。
步骤十四:输出数据聚类结果
输出聚类结果,并绘制Pareto前沿曲线。
本发明提出了一种基于组合多目标鸽群优化的无人机态势数据聚类方法, 通过将数据聚类问题转化为优化问题,然后设计组合多目标鸽群优化算法来求 解优化问题,可用于解决大规模数据的数据分析问题。本发明所提出的聚类方 法的优势主要体现在:首先,鸽子位置(聚类结果)编码机制有效降低了大规 模数据的计算负荷,降低了决策空间的维度,使得组合多目标鸽群优化算法更 容易搜索到最优解(最优的聚类结果);其次,所设计的辅助向量有效地将连 续鸽群优化算法转化为组合优化算法,使原始鸽群优化算法具备解决离散优化 问题的能力,扩宽了鸽群优化算法的应用领域;最后,在进行优化的过程中, 同时考虑了紧密性和连续性这两个聚类评价指标,可以获得较好地适应不同聚 类需求的能力,从而获取数据集的不同特征,为实现无人机从复杂海量的态势 信息中获取更多的有价值的信息提供有利的支撑。
附图说明
图1基于组合多目标鸽群优化的数据聚类分析流程图
图2a、b、c、d聚类鸽子位置编码图,其中,图2a为数据集的最小生成树及 其表示;图2b为根据连接的权重值对最小生成树的边进行排序;图2c为去掉 弱连接边集,由强连接边集生成数据预聚类结果;图2d为产生新的连接(鸽子 位置存放连接终点)代替弱连接边。
图3聚类鸽子位置解码图
图4a-e数据集1的聚类结果图及Pareto前沿曲线
图5a-f数据集2的聚类结果图及Pareto前沿曲线
图6a-f数据集3的聚类结果图及Pareto前沿曲线
图中标号及符号说明如下:
t——仿真迭代次数
psize——鸽群中鸽子的总数
i——鸽子的标号
Tmax——最大仿真迭代次数
U——待确定的弱连接边起点所对应的终点
f1——目标函数,表示聚类评价指标连续性
f2——目标函数,表示聚类评价指标紧密性
X——二维数据集的横坐标
Y——二维数据集的纵坐标
A——不同聚类指标值(f1,f2)对应的聚类结果
B——不同聚类指标值(f1,f2)对应的聚类结果
C——不同聚类指标值(f1,f2)对应的聚类结果
D——不同聚类指标值(f1,f2)对应的聚类结果
具体实施方式
下面通过具体的数据聚类实例来验证本发明所提出的方法的有效性。该方 法的具体步骤如下:
步骤一:加载无人机态势数据集
加载待处理的数据集,一共对三个不同类型的数据集进行聚类分析,以第 一个数据集来进行说明。该数据集包含Ndata=12个数据,分别为:x1=[1,1]、 x2=[1,1.2]、x3=[1.2,1]、x4=[1.2,1.2]、x5=[2,2]、x6=[2.2,2]、x7=[2,2.2]、 x8=[2.2,2.2]、x9=[3,1]、x10=[3.2,1]、x11=[3,1.2]、x12=[3.2,1.2],数据的维数Mdata=2。
步骤二:计算数据集的差异矩阵和邻接矩阵
对差异矩阵Ddata按行进行升序排序,可得邻接矩阵Nnearest为:
其每一行表示数据集中所有节点与该行第一个节点之间的差异性按由小到大进行排序。
步骤三:求解最小生成树
根据邻接矩阵Nnearest,采用普利姆算法求解最小生成树。随机选择节点5作 为起始点,选择与它差异性最小的节点6加入到顶点集S=[5]中,则 S=S∪[6]=[5,6]。边集V=[6→5]。起点集Ssp=[5,6]中,终点集Sep的Sep(6)=5。 重复该步骤,将不在顶点集中的节点且与在顶点集中任一节点差异性最小的节 点依次选择出来,生成新的边,并更新顶点集、边集、起点集和终点集,当数 据集中的所有节点均被加入顶点集时,终止该步骤,此时,起点集为 Ssp=[5,6,7,8,4,2,3,1,11,9,12,10],终点集为Sep=[2,4,4,5,5,5,5,6,11,12,6,11]。 根据Sep及其元素索引标号(即每一条边的起始节点)可得连接关系为:节点1→节点2,节点2→节点4,节点3→节点4,节点4→节点5,节点5→节点5, 节点6→节点5,节点7→节点5,节点8→节点6,节点9→节点11,节点10→ 节点12,节点11→节点6,节点12→节点11,其生成的最小生成树如图2a所 示。
步骤四:计算最小生成树中每一条边的权重值,根据权重值将最小生成树 中的边集划分为强连接边集和弱连接边集
根据式(3)和邻接矩阵Nnearest以及差异矩阵Ddata计算每一条边j→i的权重值 Wji。如图2a所示,最小生成树的每一条边(由起点集 Ssp=[5,6,7,8,4,2,3,1,11,9,12,10]、终点集Sep=[2,4,4,5,5,5,5,6,11,12,6,11]和终 点集元素索引Sep_index=[1,2,3,4,5,6,7,8,9,10,11,12]来表示)对应的权重值为 W=[2.1,0,2.1,2.1,5.5,2.1,3.1,2.1,5.5,2.1,3.1,2.1]。经过将所有的权重值Wji降序排 序选择后,取λ=0.4,则可将最小生成树的边划分为如图2b所示的强连接边集 和弱连接边集。其中,弱连接起点集为Sspw=[3,4,11,12],弱连接边集为 Es={3→4,4→5,11→6,12→11},强连接起点集为Ssps=[1,2,6,7,8,9,10],强连 接边集为Ew={1→2,2→4,6→5,7→5,8→6,9→11,10→12}。将弱连接边删除后, 终点集变化为Sep=[2,4,U,U,5,5,5,6,11,12,U,U],其中,U表示待确认的弱连接 起点集Sspw=[3,4,11,12]的连接终点,如图2d。
步骤五:对强连接边集进行解码得到预聚类结果
从强连接起点集Ssps=[1,2,6,7,8,9,10]中随机选择一个节点作为起始点,将 所有连接在一起的节点划分到同一类,引入分类标志向量表示数据集 中各个节点被分配到的类的标号,如A(2)=3表示节点2被划分到第3类,对于 弱连接起点集Sspw里的节点,其分类标志均初始化为A(i)=-1,i∈Sspw,重复该步 骤直至所有强连接起点集Ssps中的节点均被分配。预聚类的结果如图2c所示。
步骤六:产生初始鸽群
随机生成psize=100只鸽子,每只鸽子包含空间位置和速 度其中Nws为弱连接边起点集中节点的数目,且Nws=4,i为 鸽子的编号。设置当前仿真时间为t=0,最大迭代次数为Tmax=50,地图和指南 针算子为R=0.3,转移因子为σ=0.45,阈值δ=3.6。
步骤七:评价t=0时刻鸽群的目标函数
将pi=[pi1,pi2,pi3,pi4]与终点集Sep=[2,4,U,U,5,5,5,6,11,12,U,U]进行进行鸽子的空间位置的全编码长度重构可得Sep=[2,4,pi1,pi2,5,5,5,6,11,12,pi3,pi4],将其 进行解码可得如图3所示的节点连接关系,然后根据节点间的连接关系将所有 分类标识仍为A(i)=-1,i∈Sspw的节点分配到相应的类中直至所有节点的分类标 识A(i)≠-1,i∈Sspw。根据分类标志向量A可得数据集中所有数据的聚类结果 Ci=[c1,c2,…,cγ],其中γ为所形成的类的数目,cτ,τ=1,2,…,γ为第τ类。
根据聚类结果Ci和式(4)至式(6)计算目标函数fi1(聚类连续性指标,第i只 鸽子对应的目标函数f1)和目标函数fi2(聚类紧密性指标,第i只鸽子对应的目 标函数f2),重复此步骤直至计算出鸽群中所有鸽子对应的目标函数值 Fi(t)=[fi1(t),fi2(t)]。
步骤八:对初始鸽群进行非支配排序
基于目标函数值比较鸽子pi(t)与鸽子pj(t)的支配关系,通过Pareto非支配 排序算法对整个鸽群进行分层。将所有位于第一级非支配层的非支配鸽子保存 到外部存档集AS中,从外部存档集AS中随机选择一只鸽子,将其作为t时刻的 全局最优位置pbest(t),将外部存档集AS中第一级非支配层的非支配鸽子的平均 位置作为t时刻鸽群的中心位置pcenter(t)。
步骤九:更新鸽子的位置和速度
将pbest(t)、pcenter(t)以及t时刻所有鸽子的位置代入式(7)计算得到与鸽子位置pi(t)相对应的辅助向量ζi(t)的值,然后根据鸽子的速度更新公式(8)、位置辅助 向量更新公式(9)和位置更新公式(10)可计算出t+1速度鸽子的位置pi(t+1)和速 度vi(t+1)。重复该步骤直至所有鸽子的位置和速度完成更新。
步骤十:评估t+1时刻鸽群的目标函数值
根据步骤六对鸽子进行解码,形成聚类,并计算t+1时刻鸽群的适应度函 数Fi(t+1)=[fi1(t+1),fi2(t+1)]。基于目标函数值比较鸽子pi(t+1)与鸽子pj(t+1)的支配 关系,将所有位于第一级非支配层的非支配鸽子保存到外部存档集AS中。
步骤十一:对外部存档集AS进行非支配排序,并依据拥挤距离来选择AS中 需要舍弃的鸽子
对t+1时刻的外部存档集AS中保存的所有鸽子进行非支配排序,舍弃非第 一级非支配层的非支配鸽子,并计算第一级非支配层的非支配鸽子的拥挤距离, 舍弃拥挤距离大的鸽子。
步骤十二:更新鸽子的全局最优位置以及中心位置,并更新鸽群数量
从外部存档集AS中随机选择一只鸽子,将其位置作为t+1时刻的全局最优 位置pbest(t+1),将第一级非支配层的非支配鸽子的中心位置作为鸽群的中心位置 pcenter(t+1)。根据式(11)更新鸽子的数目Psize(t+1)。
步骤十三:判断是否停止迭代
仿真迭代次数t=t+1。若t大于最大仿真迭代次数Tmax=50,则仿真结束;否 则,返回步骤八。
步骤十四:输出数据聚类结果
输出聚类结果,绘制Pareto前沿曲线,三个不同的数据集的聚类结果分别 如图4至图6所示。图4a为数据集1的给定聚类结果,图4e为采用组合多目 标鸽群优化算法获得的数据集1的聚类Pareto前沿曲线,表示聚类目标函数最 优解的集合,根据聚类指标的要求,可以得到不同的最优数据聚类结果。图4b 为图4e中Pareto曲线上A点所对应的数据聚类结果,图4c为图4e中Pareto 曲线上B点所对应的数据聚类结果,图4d为图4e中Pareto曲线上C点所对应 的数据聚类结果。图5a为数据集2的给定聚类结果,图5f为采用组合多目标 鸽群优化算法获得的数据集2的聚类Pareto前沿曲线。图5b、图5c、图5d和 图5e分别为图5f中Pareto曲线上A点、B点、C点和D点四个点所对应的数 据聚类结果。图6a为数据集3的给定聚类结果,图6f为采用组合多目标鸽群 优化算法获得的数据集3的聚类Pareto前沿曲线。图6b、图6c、图6d和图6e 分别为图6f中Pareto曲线上A点、B点、C点和D点四个点所对应的数据聚 类结果。
通过三个不同类型的数据集的聚类结果验证了通过本发明所提出的基于组 合多目标鸽群优化的无人机态势数据聚类方法可有效实现数据的聚类分析。
Claims (8)
1.一种基于组合多目标鸽群优化的无人机态势数据聚类方法,其特征在于:该方法步骤如下:
步骤一:加载无人机态势数据集;
步骤二:计算数据集的差异矩阵和邻接矩阵;
步骤三:求解最小生成树;
根据邻接矩阵,采用普利姆算法求解最小生成树;
步骤四:将最小生成树中的边集划分为强连接边集和弱连接边集;
步骤五:对强连接边集进行解码得到预聚类结果;
步骤六:产生初始鸽群;
随机生成psize个鸽子,每只鸽子包含空间位置和速度;
步骤七:评价t=0时刻鸽群的目标函数;
步骤八:对初始鸽群进行非支配排序,确定当前时刻鸽群的全局历史最优位置和中心位置;
步骤九:更新鸽子的位置和速度;
步骤十:评估t+1时刻鸽群的适应度函数;
根据步骤六对鸽子进行解码,形成聚类,并计算t+1时刻鸽群的适应度函数;基于目标函数值比较鸽子pi(t+1)与鸽子pj(t+1)的支配关系,将所有位于第一级非支配层的非支配鸽子保存到外部存档集AS中;
步骤十一:对外部存档集AS进行非支配排序,并依据拥挤距离来选择AS中需要舍弃的鸽子;
步骤十二:更新鸽子的全局最优位置以及中心位置,并更新鸽群数量;
步骤十三:判断是否停止迭代;
仿真迭代次数t=t+1;若t大于最大仿真迭代次数Tmax,则仿真结束,进入步骤十四;否则,返回步骤八;
步骤十四:输出数据聚类结果;
输出聚类结果,并绘制Pareto前沿曲线;
所述步骤四的具体过程如下:根据式(3)和数据集的邻接矩阵Nnearest和差异矩阵Ddata计算每一条边j→i的权重值Wji:
其中,nn(i,j)用于计算节点j是节点i的第几个最近邻;根据邻接矩阵Nnearest可得,如果nn(i,j)=nik,则表示节点j是节点i的第k个最近邻;nn(j,i)用于计算节点i是节点j的第几个最近邻;为数据集中节点j与节点i间的归一化欧式距离;
计算数据集的最小生成树的所有边的权重值W,并将这些边对应的权重值进行降序排序,将权重值较大的λ×(Ndata-1),0≤λ≤1条边加入弱连接边集Es,剩余的(1-λ)×(Ndata-1)条边加入强连接边集Ew;同时起点集Ssp也相应地被划分为弱连接起点集Sspw和强连接起点集Ssps;λ为选择编码长度系数。
3.根据权利要求1所述的一种基于组合多目标鸽群优化的无人机态势数据聚类方法,其特征在于:所述步骤三的具体过程如下:
随机选择一个节点i作为起始点,选择与它差异性最小的节点j,并将该节点加入到顶点集S=[i]中,则S=S∪[i]=[i,j];此外,将生成的边j→i加入到边集V中,V=[j→i];在j→i中,将边的起点j存放在起点集Ssp中,终点i存放到终点集Sep中,Sep(j)=i表示节点j连接到节点i,i为终点集Sep的元素,而j称为元素i在终点集Sep中的元素索引标号;重复该步骤,将不在顶点集中的节点且与在顶点集中任一节点差异性最小的节点依次选择出来,生成新的边,并更新顶点集、边集、起点集和终点集,当数据集中的所有节点均被加入顶点集时,终止该步骤;依次将终点集Sep及其元素索引标号进行连接则可生成数据集的最小生成树。
6.根据权利要求1所述的一种基于组合多目标鸽群优化的无人机态势数据聚类方法,其特征在于:所述步骤六的具体过程如下:
根据鸽子的空间位置和终点集Sep进行鸽子的空间位置的全编码长度重构,将重构以后的鸽子进行解码获得各节点间的连接关系,然后根据节点间的连接关系将所有分类标识仍为A(i)=-1,i∈Sspw的节点分配到相应的类中,直至所有节点的分类标识A(i)≠-1,i∈Sspw;根据分类标志向量A可得数据集中所有数据的聚类结果Ci=[c1,c2,…,cγ],其中γ为所形成的类的数目,cτ,τ=1,2,…,γ为第τ类;为由Nws个元素组成的第i只鸽子的位置,Nws为弱连接起点集Ssps中节点的数目;
选择紧密性和连续性两个聚类评价指标来评价聚类结果的好坏,用类内聚类距离来表征聚类的连续性:
其中,cdi表示第i类中各个节点到聚类中心的平均距离;
用类内聚类距离来表征聚类的紧密性;首先根据式(5)计算每一类中各个节点到聚类中心的平均距离;
7.根据权利要求1所述的一种基于组合多目标鸽群优化的无人机态势数据聚类方法,其特征在于:所述步骤八的具体过程如下:
基于目标函数值比较鸽子i与鸽子j的支配关系,通过Pareto非支配排序算法对整个鸽群进行分层;将所有位于第一级非支配层的非支配鸽子保存到外部存档集AS中,从外部存档集AS中随机选择一只鸽子,将其作为t时刻的全局最优位置pbest(t),将外部存档集AS中位于第一级非支配层的所有鸽子的平均位置作为pcenter(t)。
8.根据权利要求1所述的一种基于组合多目标鸽群优化的无人机态势数据聚类方法,其特征在于:所述步骤九的具体过程如下:引入辅助向量ζij∈[-1,0,1]把连续鸽群优化算法转化为组合优化算法,使其可以用于求解聚类优化问题:
其中,pcenterj(t)为t时刻鸽群中心位置pcenter(t)的第j个元素,pgbestj(t)为t时刻鸽群的历史最优位置pgbest(t)的第j个元素;根据式(7)可得鸽子的速度更新公式为:
然后根据t+1时刻鸽子的速度vi(t+1)计算ζi在t+1时刻的值:
其中,δ为预定的常数,ζij(t+1)为ζi的第j个元素;将更新后的ζi(t+1)代入式(10)来更新鸽子在t+1时刻的位置:
其中,λ为随机选择的pij(t)最近邻;重复该步骤直至所有鸽子的位置和速度更新完成。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910603461.0A CN110442143B (zh) | 2019-07-05 | 2019-07-05 | 一种基于组合多目标鸽群优化的无人机态势数据聚类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910603461.0A CN110442143B (zh) | 2019-07-05 | 2019-07-05 | 一种基于组合多目标鸽群优化的无人机态势数据聚类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110442143A CN110442143A (zh) | 2019-11-12 |
CN110442143B true CN110442143B (zh) | 2020-10-27 |
Family
ID=68429412
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910603461.0A Active CN110442143B (zh) | 2019-07-05 | 2019-07-05 | 一种基于组合多目标鸽群优化的无人机态势数据聚类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110442143B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111367315B (zh) * | 2020-03-11 | 2021-06-11 | 北京邮电大学 | 一种应用于无人机收集信息的轨迹规划方法及装置 |
CN112596574B (zh) * | 2020-12-21 | 2022-06-24 | 广东工业大学 | 基于分层鸽群算法的光伏最大功率跟踪方法及装置 |
CN113075648B (zh) * | 2021-03-19 | 2024-05-17 | 中国舰船研究设计中心 | 一种无人集群目标定位信息的聚类与滤波方法 |
CN113110595B (zh) * | 2021-05-12 | 2022-06-21 | 中国人民解放军陆军工程大学 | 面向目标核查印证的异构无人机群协同方法 |
CN113741482B (zh) * | 2021-09-22 | 2023-03-21 | 西北工业大学 | 一种基于异步遗传算法的多智能体路径规划方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102983948B (zh) * | 2012-12-19 | 2016-05-25 | 山东黄金集团有限公司 | 一种无线传感网络自适应聚类传输方法及其装置 |
CN103440275A (zh) * | 2013-08-08 | 2013-12-11 | 南京邮电大学 | 一种基于普利姆的k均值聚类方法 |
CN103699933B (zh) * | 2013-12-05 | 2016-07-06 | 北京工业大学 | 基于最小生成树聚类遗传算法的交通信号配时优化方法 |
CN103985112B (zh) * | 2014-03-05 | 2017-05-10 | 西安电子科技大学 | 基于改进多目标粒子群优化聚类的图像分割方法 |
CN105066998A (zh) * | 2015-08-03 | 2015-11-18 | 北京航空航天大学 | 一种基于量子鸽群优化的无人机自主空中加油目标检测方法 |
CN105654500A (zh) * | 2016-02-01 | 2016-06-08 | 北京航空航天大学 | 基于仿生鸽群优化视觉注意机制的无人机目标检测方法 |
CN108256553B (zh) * | 2017-12-20 | 2020-03-27 | 中国人民解放军国防科技大学 | 车辆搭载无人机双层路径的构造方法及装置 |
-
2019
- 2019-07-05 CN CN201910603461.0A patent/CN110442143B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110442143A (zh) | 2019-11-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110442143B (zh) | 一种基于组合多目标鸽群优化的无人机态势数据聚类方法 | |
CN109508812B (zh) | 一种基于深度记忆网络的航空器航迹预测方法 | |
CN109191922B (zh) | 一种大规模四维航迹动态预测方法及装置 | |
CN110503245B (zh) | 一种机场航班大面积延误风险的预测方法 | |
CN110288048B (zh) | 一种svm有向无环图的海底管道风险评估方法 | |
CN110059875B (zh) | 基于分布式鲸鱼优化算法的公共自行车需求量预测方法 | |
CN110827921B (zh) | 一种单细胞聚类方法、装置、电子设备及存储介质 | |
CN111898689A (zh) | 一种基于神经网络架构搜索的图像分类方法 | |
CN109920248B (zh) | 一种基于gru神经网络的公交到站时间预测方法 | |
CN110164129B (zh) | 基于gernn的单交叉口多车道交通流量预测方法 | |
CN108537366B (zh) | 基于最优卷积二维化的水库调度方法 | |
CN114444378A (zh) | 一种区域风电集群的短期功率预测方法 | |
CN108846261B (zh) | 基于可视图算法的基因表达时序数据分类方法 | |
CN114091650A (zh) | 一种深度卷积神经网络架构的搜索方法和应用 | |
CN114330659A (zh) | 一种基于改进aso算法的bp神经网络参数优化方法 | |
CN112215278A (zh) | 一种遗传算法和蜻蜓算法相结合的多维数据特征选择方法 | |
CN111121784A (zh) | 一种无人侦察机航路规划方法 | |
CN113159115A (zh) | 基于神经架构搜索的车辆细粒度识别方法、***和装置 | |
CN111275074A (zh) | 基于栈式自编码网络模型的电力cps信息攻击辨识方法 | |
CN108830432B (zh) | 基于少量先验知识的无人机群行动方案搜索方法 | |
CN106600100B (zh) | 一种基于加权的多种群粒子群优化的危险源原因分析方法 | |
CN108491968A (zh) | 基于农产品质量安全应急资源调度模型计算方法 | |
CN114881429B (zh) | 基于数据驱动的台区线损量化方法及*** | |
CN114881308A (zh) | 基于元学习的网联车辆速度预测方法 | |
CN111402953B (zh) | 基于层次注意力网络的蛋白质序列分类方法 |
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 |