CN114819038A - 基于高斯映射和混合算子改进象群算法的目标分群方法 - Google Patents

Abstract

本发明具体公开了基于高斯映射和混合算子改进象群算法的目标分群方法，包括(1)利用高斯混沌序列初始化种群，提升初始种群的多样性和遍历性；(2)采用随机游走算子和变异算子更新种群中的个***置，提升算法的全局探索能力和局部开发能力；(3)比较每一代个体的适应度，择优保留，找到对于实际问题的解决方案；(4)根据各样本与聚类中心之间的距离关系，将所有样本划分至所属的簇中，使目标分群的收敛速度和寻优精度都得到了提高，对于解决单峰和多峰问题具有更好的实际效果有益效果。

Description

基于高斯映射和混合算子改进象群算法的目标分群方法

技术领域

本发明涉及信息融合领域，特别涉及基于高斯映射和混合算子改进象群算法的目标分群方法。

背景技术

在JDL(Joint Directors of Laboratories)模型中，目标分群属于JDL模型中态势要素察觉过程的范畴，其结果将直接影响后续对于态势的理解和预测，目标分群需要将空间几何因素、时间因素、功能依附因素等综合考虑在内，尤其是在军事领域，首先应当完成关键要素的提取，应当关注作战环境、人文地理、敌我力量分布、作战实力等各方面因素，对目标的状态信息进行提取和挖掘，为目标分群提供输入信息。其次，将提取到的目标信息进行预处理，消除不同量纲的影响。而后根据速度、距离、航向、类型等信息，在一定时空范围内对目标进行空间群的划分。之后根据执行功能的不同进行功能层次的划分，并根据战术任务划分相互作用群，最后对敌我属性进行区分。通过目标分群，可以对敌我双方的兵力结构、组织关系、作战体系作抽象描述，也可以对其执行的任务情况进行理解和研判，便于下一步进行态势理解、态势预测以及威胁估计，同时聚焦重点目标和重点区域，辅助指挥员形成对战场态势的总体认知。

现有技术中，针对目标分群主要采用：聚类方法、D-S证据理论方法，贝叶斯推理、模糊集方法、基于语义的方法、基于不确定推理方法、支持向量机、聚类方法、专家***、基于模板方法等，并对其算法的混合型、稳定性和自主性进行研究，主要改进在于，其一，对相似性度量算法进行改进，改善了目标分群的效果，其二、采用多种算法相结合，弥补单一算法存在的问题和弊端，进行功能互补、结构相衬、提升算法的总体运行效率。

现有技术存在以下问题：

1)、由于战场空间样本数据大多是模糊的、复杂的且庞大的，例如战场环境敌方位置、速度、身份、担负任务等信息往往难以获取，因此要在参数阈值、聚类簇数、初始聚类中心等先验知识未知的条件下有“未卜先知”的能力，有效适应不确定性带来的影响。而现有算法大多需要事先人工对参数进行调整，参数调整的好坏将直接影响最终的分群效果，这具有一定的不可预知性和不可控制性，因此，采用现有算法很难准确分群或聚类。

2)、在风云变幻的战场环境中，每一时刻的作战态势都处于变化之中。因此，需要充分考虑时间复杂度，以高速的响应应对动态变化的战场环境，利用较短的时间完成对于目标的归类，在保证分群准确率的同时降低时间成本，以快制慢，以快制胜。而现有算法还存在收敛速度慢、易于陷入局部最优、无法获得全局最优，影响分类效果。

3)、如今的战场环境中，形形色色的伪装、欺骗式手段一直是各方关注的问题。为降低诱饵弹、假目标等给态势评估过程带来的影响，需要算法有效分辨离群点、噪声点的分布，具备良好的鲁棒性和稳定性。而现有分群算法产生聚类中心的方式大多受到初始点位置的影响，一旦初始位置偏离于最终实际位置，将降低算法的运行效率，并直接影响最终的分群效果。

发明内容

本发明针对上述存在的问题，提出了基于高速映射和混合算子改进象群算法的目标分群方法。

本发明采用的技术方案是：

基于高斯映射和混合算子改进象群算法的目标分群方法，包括以下步骤：

步骤S1：初始化参数，具体包括设置含有目标对象的数据集U、种群规模N、设置簇族数h、设置象群算法中的氏族数量c、设置目标对象的属性维度D、设置最大迭代次数t_max、初始化迭代次数t为0；

这里，U表示输入的原始数据集，U＝{x₁,x₂,...x_q...x_N}，x_q(1≤q≤N)表示目标对象，

D表示目标对象的属性维度，

可表示为第q个目标对象的第m个维度信息，例如高度、速度、航向等信息。

计算种群上、下界的方式为：在获取到原始数据集U之后，区分每一维度，分别在同一维度上对该种群中个体的值进行排序，其中最大值为上界，最小值为下界。

步骤S2：根据设定的种群规模N、目标对象的属性维度D，通过高斯映射方法生成一个初始化象群；

步骤S3：计算步骤S2产生的初始化象群个体适应度并排序，得到初始化象群中个体的适应度值，记录前c个最佳个体的适应度值和最佳个体所在的位置，并分别将c个最佳个体分配到c个氏族中，将象群分为c个氏族；

其中，将象群分为c个氏族的具体方式为，在记录前c个最佳个体的适应度值和最佳个体所在的位置后，随机分配个体至各个氏族中，c只个体作为雌性个体(最优个体)，分配到各个氏族中去。而后各氏族中其他个体随该雌性个体的位置进行调整优化，均需要在全局探索后转入局部搜索，完成优化收敛过程。并根据后续步骤建立氏族并随迭代过程不断调整氏族中个***置，最终达到收敛，完成优化过程。

步骤S4；采用改进的象群优化算法更新个***置；

步骤S5：对象群中的个体进行适应度计算并排序，保留前h个适应度值更高的个体作为精英个体，其中h是设置的簇族；

步骤S6：判断是否到达循环次数，迭代次数t是否等于最大迭代次数t_max：

若t小于t_max，则t+1，并重新进行步骤S4；

若t等于t_max，则输出并保存步骤S5象群中的h个精英个体；

步骤S7：计算象群中的个体与h个精英个体的距离关系进行目标分群。

进一步，所述步骤S2中的高斯映射算法生成初始化象群的过程包括：

步骤S21：通过高斯映射生成混沌序列η(β)；

其中，η(β)和η(β+1)分别代表映射序列的当前解和未来解，η(β)∈(0,1)，初始解由不为0的伪随机数产生，而后经过迭代产生高斯混沌序列；

步骤S22：将步骤S21生成的混沌序列映射到求解空间，得到种群Z＝{η₁,η₂......η_i}(i＝1,2......N)，其中，参数N表示种群规模；

步骤S23：则初始化象群中的个体

可表示为：

其中，

表示为第k只个体在第m维上的值，l^m和u^m分别为第m维上的最小值和最大值，1≤k≤N，N为种群规模，1≤m≤D，D为属性维度；生成的初始化象群X(0)＝{x₁,x₂,...,x_k,...x_N}。

进一步，所述步骤S4采用改进的象群优化算法更新个***置包括：

步骤S41:比较x_ci,j与x_best,ci，其中

是在氏族ci中的适应度值最优个体，x_ci,j是氏族ci中的第j只个体。

步骤S42:若x_ci,j等于x_best,ci，则更新最优个体x_best,ci位置，

若x_ci,j不等于x_best,ci，则更新个体x_ci,j位置，

步骤S43：进一步更新最差个体x_worst,ci，

x_worst,ci＝x_worst,ci+δ_mr₁+K (c)；

其中，

和

分别表示在t次迭代中象群第ci个氏族中最好个体的当前和最新位置，

和

分别表示从氏族ci中随机抽取的个体，rand为[0,1]之间的随机数，x_worst,ci表示氏族ci中适应度最差个***置，δ_m是变化系数，δ_m＝0.1*(u^m-l^m)，r₁,r₂,r₃,r₄是从0到1均匀分布的随机数，

u₁是[-1,1]的随机变量，t和t_max分别代表当前和最大迭代次数，

是第t次迭代时的最优解，PSR是设定的阈值，x_Gbest代表全局最优解，C(σ)表示符合Cauchy分布的随机数，定义式为：

其中，a是定义分布峰值位置的位置参数，b最大值一半处的一半宽度的尺度参数，在标准柯西分布中，a＝0,b＝1，F(σ；a,b)表示柯西分布函数。

进一步，步骤S5保留适应度值更高的个体过程：

其中，GBestX表示全局最优个***置，

表示第t次迭代中产生的第k只个***置。

进一步，所述步骤S7，根据数据集U的目标对象与h个精英个体的距离关系将目标对象划分至h个簇中，可表示为：

其中，x_n表示数据集中的第n个样本，1≤n≤N，N为样本规模，g_i为聚类中心，其中，聚类中心根据步骤S6获得的排序前h个精英个体，1≤i≤h，h为设定的聚类簇数。

其中，聚类中心的生成过程为，在完成步骤S2初始化种群后，随机挑选种群中h个个体作为初始聚类中心，每个搜索个体是由h×D组成的矩阵，代表一组由具有D个维度的h个对象组成的聚类中心。其中D表示目标对象的属性维度，h为待输入的簇数。

适应度值的计算方式为：计算其他个体与该组聚类中心的距离之和(误差平方和SSE)，即

C_i表示第i个群簇。在后续迭代中，最终的目标是得到使误差平方和SSE最小的一组聚类中心，即

每个搜索个体经过不断优化，收敛于全局最优解，即得到最终的聚类中心。

现有技术相比，本发明具有的有益效果：

本发明旨在提高目标分群的收敛速度及***稳定性，及质量更高的个体；

首先，采用改进象群优化算法对目标进行分群，可以提高现有算法的收敛速度，并且具有全局优化的能力，避免现有算法易陷入局部最优的问题，同时，由于象群优化算法的控制参数少，因此，更具有简单效率高的优势。

其次，针对实际战场空间的样本特点大多是模糊的、复杂的、数据量大的问题，采用高斯映射方法优化初始化种群，对初始聚类中心进行准确而有效的估计，获得在没有先验知识条件下的分群和聚类。

再次，通过随机游走算子和变异算子更新种群的个***置，替换原始象群算法中的氏族更新算子和分离算子，使得算法的全局探索能力得到了加强，从而更好地避免落入局部最优陷阱，收敛率得到了优化。

从仿真结果可以得出，相比于现有方法聚类方法、D-S证据理论方法，贝叶斯推理、模糊集方法、基于语义的方法、基于不确定推理方法、支持向量机、聚类方法、专家***、基于模板方法，本申请在收敛性上获得提高。通过在9个数据集上的实验表明，本方法的收敛速度和寻优精度领先于其他8种元启发式算法，并且具有良好的稳定性。在Iris、Seeds、和Aggregation数据集上进行了可视化展现，发现通过本方法获得的聚类中心精度相比其他传统优势算法均获得了提升，聚类效果明显改进。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1是根据本发明提出的基于高斯映射和混合算子改进的象群优化算法流程图；

图2是基于高斯映射和混合算子改进的象群优化算法(GBEHO)和其他算法在不同数据集下的收敛曲线对比图；

图3是基于高斯映射和混合算子改进的象群优化算法(GBEHO)和其他算法在不同数据集下的箱型图；

图4是在Iris数据集上分别运行基于高斯映射和混合算子改进的象群优化算法(GBEHO)和粒子群算法(PSO)后的结果比较图；(a)原数据集分布；(b)PSO算法聚类图；(c)GBEHO算法聚类图；

图5是在Seeds数据集上分别运行基于高斯映射和混合算子改进的象群优化算法(GBEHO)和遗传算法(GA)后的结果比较图；(a)原数据集分布；(b)GA算法聚类图；(c)GBEHO算法聚类图；

图6是在Aggregation数据集上分别运行基于高斯映射和混合算子改进的象群优化算法(GBEHO)和基于禁忌搜索的灰狼优化算法(GWOTS)后的结果比较图；(a)原数据集分布；(b)GWOTS算法聚类图；(c)GBEHO算法聚类图；

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。

因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

在本发明的描述中，需要说明的是，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性，此外，术语“水平”、“竖直”等术语并不表示要求部件绝对水平或悬垂，而是可以稍微倾斜。如“水平”仅仅是指其方向相对“竖直”而言更加水平，并不是表示该结构一定要完全水平，而是可以稍微倾斜。

在本发明的描述中，还需要说明的是，除非另有明确的规定和限定，术语“设置”、“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

参照图1～6所示：

实施例1，根据图1的流程：

基于高速映射和混合算子改进象群算法的目标分群方法，包括以下步骤：

步骤S1：初始化参数，具体包括设置含有目标对象的数据集U、种群规模N、设置簇族数h、设置象群算法中的氏族数量c、设置目标对象的属性维度D、设置最大迭代次数t_max、初始化迭代次数t为0；

这里，U＝{x₁,x₂,...x_q...x_N}，x_q(1≤q≤N)表示目标对象，

D表示目标对象的属性维度，

可表示为第q个目标对象的第m个维度信息，例如高度、速度、航向等信息。

实施例中所采用的数据集为Iris、Wine、Seeds、breast、heart、CMC、Vowel、Two-moon和Aggregation。其中Iris、Wine、Seeds、breast、heart、CMC、Vowel均来自于加利福尼亚大学欧文分校(University of California,Irvine，UCI)机器学习数据库。Two-moon和Aggregation是两个人造数据集。9个数据集的具体信息如表1：

表1

最大迭代次数t_max设置为200，种群规模N设置为10，设置象群算法中的氏族数量c。

步骤S2：根据设定的种群规模N、目标对象的属性维度D，通过高斯映射方法生成一个初始化象群；

其中，聚类中心的生成过程为，在完成步骤S2初始化种群后，随机挑选种群中h个个体作为初始聚类中心，每个搜索个体是由h×D组成的矩阵，代表一组由具有D个维度的h个对象组成的聚类中心。其中D表示目标对象的属性维度，h为待输入的簇数。

步骤S3：计算初始化象群个体适应度并排序，得到初始化象群中个体的适应度，记录前c个最佳个体的适应度值和最佳个体所在的位置，并分别将c个最佳个体分配到c个氏族中，将象群分为c个氏族；

其中，将种群分为c个氏族的具体方式为，在记录前c个最佳个体的适应度值和最佳个体所在的位置后，随机分配个体至各个氏族中，c只个体作为雌性个体(最优个体)，分配到各个氏族中去。而后各氏族中其他个体随该雌性个体的位置进行调整优化，均需要在全局探索后转入局部搜索，完成优化收敛过程。并根据后续步骤建立氏族并随迭代过程不断调整氏族中个***置，最终达到收敛，完成优化过程。

适应度值的计算方式为：计算其他个体与该组聚类中心的距离之和(误差平方和SSE)作为该搜索个体的适应度值，即

C_i表示第i个群簇。在后续迭代中，最终的目标是得到使误差平方和SSE最小的一组聚类中心，即

每个搜索个体经过不断优化，收敛于全局最优解，即得到最终的聚类中心。

步骤S4；采用改进的象群优化算法更新个***置；

步骤S5：对象群中的个体进行进行适应度计算并排序，保留前h个适应度值更高的个体作为精英个体，其中h是设置的簇族；

计算其他个体与该组聚类中心的距离之和(误差平方和SSE)作为该搜索个体的适应度值，即

C_i表示第i个群簇。在后续迭代中，最终的目标是得到使误差平方和SSE最小的一组聚类中心，即

每个搜索个体经过不断优化，收敛于全局最优解，即得到最终的聚类中心。

步骤S6：判断是否到达循环次数，迭代次数t是否等于最大迭代次数t_max：

若t小于t_max，则t+1，并重新进行步骤S4；

若t等于t_max，则输出并保存步骤S5象群中的h个精英个体；

步骤S7：计算象群中的个体与h个精英个体的距离关系进行目标分群。

优选地，步骤S2中的高斯映射算法生成初始化象群的过程包括：

步骤S21：通过高斯映射生成混沌序列η(β)；

其中，η(β)和η(β+1)分别代表映射序列的当前解和未来解，η(β)∈(0,1)，初始解由不为0的伪随机数产生，而后经过迭代产生高斯混沌序列。

步骤S22：将步骤S21生成的混沌序列映射到求解空间，即通过步骤S21中产生的规模为N的高斯映射序列计算生成规模为N的初始象群种群，得到种群Z＝{η₁,η₂......η_i}(i＝1,2......N)，其中，参数N表示种群规模；

步骤S23：则初始化象群中的个体

可表示为：

其中，

表示为第k只个体在第m维上的值，l^m和u^m分别为第m维上的最小值和最大值，1≤k≤N，N为种群规模，1≤m≤D，D为属性维度；生成的初始化象群X(0)＝{x₁,x₂,...,x_k,...x_N}。

优选地，所述步骤S4采用改进的象群优化算法更新个***置包括：

步骤S41:比较x_ci,j与x_best,ci，其中

是在氏族ci中的适应度值最优个体，x_ci,j是氏族ci中的第j只个体。

步骤S42:若x_ci,j等于x_best,ci，则更新最有个体x_best,ci位置，

若x_ci,j不等于x_best,ci，则更新个体x_ci,j位置，

步骤S43：进一步更新最差个体x_worst,ci，

x_worst,ci＝x_worst,ci+δ_mr₁+K；

其中，

和

分别表示在t次迭代中象群第ci个氏族中最好个体的当前和最新位置，

和

分别表示从氏族ci中随机抽取的个体，rand为[0,1]之间的随机数，x_worst,ci表示氏族ci中适应度最差个***置，δ_m是变化系数，δ_m＝0.1*(u^m-l^m)，r₁,r₂,r₃,r₄是从0到1均匀分布的随机数，

u₁是[-1,1]的随机变量，t和t_max分别代表当前和最大迭代次数，

是第t次迭代时的最优解，PSR是设定的阈值，本实施例中设置为0.2，x_Gbest代表全局最优解，C(σ)表示符合Cauchy分布的随机数，定义式为：

其中，a是定义分布峰值位置的位置参数，b最大值一半处的一半宽度的尺度参数，在标准柯西分布中，a＝0,b＝1，F(σ；a,b)表示柯西分布函数。

优选地，步骤S5保留适应度值更高的个体过程：

其中，GBestX表示全局最优个***置，

表示第t次迭代中产生的第k只个***置。

优选地，所述步骤S7，根据数据集U的目标对象与h个精英个体的距离关系将目标对象划分至h个簇中，可表示为：

其中，x_n表示数据集中的第n个样本，1≤n≤N，N为样本规模，g_i为聚类中心，其中，聚类中心根据步骤S6获得的排序前h个精英个体1≤i≤h，h为设定的聚类簇数。

有益效果说明，实验中，将基于高斯映射和混合算子改进的象群优化算法(GBEHO)与其他8种元启发式算法进行对比，它们分别是粒子群算法(PSO)、差分进化算法(DE)、遗传算法(GA)、布谷鸟搜索算法(CS)、重力搜索算法(GSA)、蝙蝠算法(BA)、基于量子启发的蚁狮优化混合K-means算法(QALO-K)和混合禁忌搜索的灰狼优化算法(GWOTS)，各类算法的参数设置如表2所示：

表2

除上述参数外，将所有算法的最大迭代次数t_max设置为200，种群规模N设置为10，表2中GBEHO的参数c为象群算法中氏族数量。

图2是基于高斯映射和混合算子改进的象群优化算法(GBEHO)和粒子群算法(PSO)、差分进化算法(DE)、遗传算法(GA)、布谷鸟搜索算法(CS)、重力搜索算法(GSA)、蝙蝠算法(BA)、基于量子启发的蚁狮优化混合K-means算法(QALO-K)和混合禁忌搜索的灰狼优化算法(GWOTS)在Iris、Wine、Seeds、breast、heart、CMC、Vowel、Two-moon和Aggregation数据集下的收敛曲线对比图；

迭代是重复一组程序以获得最佳解决方案的行为。当一个算法的所有程序被重复一次时，这被称为一次迭代，每次迭代的结果为下一次迭代提供初始值。

收敛曲线可以反映算法迭代过程中的收敛率和全局搜索能力。GBEHO在Iris、Wine、Seeds、Breast、Heart和Aggregation数据集上的第20代就达到稳定。尽管GBEHO在Vowel数据集上收敛得更慢，但找到的解决方案的质量更高。结果验证了GBEHO具有相对较快的收敛速度和卓越的全局搜索能力。与GBEHO相比，PSO、DE、GA、CS、GSA和BA等元启发式方法的性能略差。这说明，由于采用高斯映射改进了初始化种群生成方式，种群的多样性和遍历性得到了提高，使生成的初值更加接近全局最优。此外，由于利用随机游走算子和变异算子更新种群的个***置，替换原始象群算法中的氏族更新算子和分离算子，使得算法在收敛速度上有了明显改进，算法可以跳出局部最优解，寻优精度也得到了提升。

图3是基于高斯映射和混合算子改进的象群优化算法(GBEHO)和其他算法在不同数据集下的箱型图；

可以看出，GBEHO的箱形图是所有数据集中最窄的。显然，GBEHO具有更稳定的聚类能力，并且通过使用EHO和GBO混合的策略改善了群体的多样性。此外，GBEHO产生了最少的离群点，这表明GBEHO具有很强的鲁棒性。这些事实表明，所提出的算法可以有效地规避局部最小值。

图4是在Iris数据集上分别运行基于高斯映射和混合算子改进的象群优化算法(GBEHO)和粒子群算法(PSO)后的结果比较图；(a)原数据集分布；(b)PSO算法聚类图；(c)GBEHO算法聚类图；

图4显示了在Iris数据集上聚类的可视化结果。GBEHO和PSO是Iris数据集上最好的两种算法。这两种算法都能准确地将数据集划分为三个不同的聚类，而且都能取得相对较好的解决方案。相比之下，GBEHO找到的中心点明显比PSO更接近真实场景。这表明GBEHO具有更好的性能。就迭代次数而言，GBEHO发现的中心点在第20代时相对稳定。这表明GBEHO具有更快的收敛速度和稳定性。

图5是在Seeds数据集上分别运行基于高斯映射和混合算子改进的象群优化算法(GBEHO)和遗传算法(GA)后的结果比较图；(a)原数据集分布；(b)GA算法聚类图；(c)GBEHO算法聚类图；

图5比较了Seeds数据集上的聚类结果，其中GBEHO和GA是两种优势算法。显然，GBEHO在第20代和最终结果中取得了更好的中心点位置。在第20代中，GBEHO能够提取最左下角聚类的中心点，而GA则无法做到。很明显，GBEHO能够比GA更准确地区分聚类。

图6是在Aggregation数据集上分别运行基于高斯映射和混合算子改进的象群优化算法(GBEHO)和混合禁忌搜索的灰狼优化算法(GWOTS)后的结果比较图；(a)原数据集分布；(b)GWOTS算法聚类图；(c)GBEHO算法聚类图；

在Aggregation数据集上的表现如图6所示。对于左上方和上方的两个聚类，GBEHO获得了更精确的聚类中心点。GWOTS和GBEHO都能找到右上和右下两个聚类的精确中心点。然而，GBEHO在最下面的聚类中的划分更加明显。虽然图中的黑色和品色聚类没有被准确区分，但这是由于传统的欧氏距离的缺点造成的。从整体收敛率和聚类精度来看，GBEHO相对更有优势。

可见，以上方法中的优势在于：(1)利用高斯混沌序列初始化种群，提升初始种群的多样性和遍历性；(2)采用随机游走算子和变异算子更新种群中的个***置，提升算法的全局探索能力和局部开发能力；(3)比较每一代个体的适应度，择优保留，找到对于实际问题的解决方案；(4)根据各样本与聚类中心之间的距离关系，将所有样本划分至所属的簇中，使目标分群的收敛速度和寻优精度都得到了提高，对于解决单峰和多峰问题具有更好的实际效果有益效果。

以上所述，仅是本发明的较佳实施例，并非对本发明作任何限制。凡是根据发明技术实质对以上实施例所作的任何简单修改、变更以及等效变化，均仍属于本发明技术方案的保护范围内。

Claims (5)

1.基于高斯映射和混合算子改进象群算法的目标分群方法，包括以下步骤：

步骤S1：初始化参数，具体包括设置含有目标对象的数据集U、种群规模N、设置簇族数h、设置象群算法中的氏族数量c、设置目标对象的属性维度D、设置最大迭代次数t_max、初始化迭代次数t为0；

步骤S2：根据设定的种群规模N、目标对象的属性维度D，通过高斯映射方法生成一个初始化象群；

步骤S3：计算初始化象群个体适应度并排序，得到初始化象群中个体的适应度值，记录前c个最佳个体的适应度值和最佳个体所在的位置，并分别将c个最佳个体分配到c个氏族中；

步骤S4；采用改进的象群优化算法更新个***置；

步骤S5：对象群中的个体进行适应度计算并排序，保留适应度值更高的h个体作为精英个体，其中h是设置的簇族数；

步骤S6：判断是否到达循环次数，迭代次数t是否等于最大迭代次数t_max：

若t小于t_max，则t+1，并重新进行步骤S4；

若t等于t_max，则输出并保存步骤S5象群中的h个精英个体；

步骤S7：计算象群中的个体与h个精英个体的距离关系进行目标分群。

2.根据权利要求1所述的基于高斯映射和混合算子改进象群算法的目标分群方法，其特征在于，所述步骤S2中的高斯映射算法方法生成初始化象群包括以下步骤：

步骤S21：通过高斯映射生成混沌序列η(β)；

其中，η(β)和η(β+1)分别代表映射序列的当前解和未来解，η(β)∈(0,1)，初始解由不为0的伪随机数产生，而后经过迭代产生高斯混沌序列；

步骤S22：将步骤S21生成的混沌序列映射到求解空间，得到种群Z＝{η₁,η₂......η_i}(i＝1,2......N)，其中，参数N表示种群规模；

步骤S23：则初始化象群中的个体

可表示为：

其中，

表示为第k只个体在第m维上的值，l^m和u^m分别为第m维上的最小值和最大值，1≤k≤N，N为种群规模，1≤m≤D，D为属性维度；生成的初始种群X(0)＝{x₁,x₂,...,x_k,...x_N}。

3.根据权利要求1所述的基于高斯映射和混合算子改进象群算法的目标分群方法，其特征在于，所述步骤S4采用改进的象群优化算法更新个***置包括：

步骤S41:比较x_ci,j与x_best,ci，其中x_best,ci是在氏族ci中的适应度值最优个体，x_ci,j是氏族ci中的第j只个体；

步骤S42:若x_ci,j等于x_best,ci，则更新最优个体x_best,ci位置：

若x_ci,j不等于x_best,ci，则更新个体x_ci,j位置；

步骤S43：进一步更新最差个体x_worst,ci，

x_worst,ci＝x_worst,ci+δ_mr₁+K；

其中，

和

分别表示在t次迭代中象群中第ci个氏族中最好个体的当前和最新位置，

和

分别表示从氏族ci中随机抽取的个体，rand为[0,1]之间的随机数，x_worst,ci表示氏族ci中适应度最差个***置，δ_m是变化系数，δ_m＝0.1*(u^m-l^m)，r₁,r₂,r₃,r₄是从0到1均匀分布的随机数，

u₁是[-1,1]的随机变量，t和t_max分别代表当前和最大迭代次数，

是第t次迭代时的最优解，PSR是设定的阈值，x_Gbest代表全局最优解，C(σ)表示符合Cauchy分布的随机数。

4.根据权利要求1所述的基于高斯映射和混合算子改进象群算法的目标分群方法，其特征在于，步骤S5保留适应度值更高的个体过程：

其中，GBestX表示全局最优个***置，

表示第t次迭代中产生的第k只个***置。

5.根据权利要求1所述的基于高斯映射和混合算子改进象群算法的目标分群方法，其特征在于，所述步骤S7，根据数据集U的目标对象与h个精英个体的距离关系将目标对象划分至h个簇族中，可表示为：

其中，x_n表示数据集中的第n个样本，1≤n≤N，N为样本规模，g_i为聚类中心，其中，聚类中心根据步骤S6获得的排序前h个精英个体，1≤i≤h，h为设定的聚类簇数。

Images