《基于BFO―FCM聚类算法的排水管网监测点优化.doc》由会员分享，可在线阅读，更多相关《基于BFO―FCM聚类算法的排水管网监测点优化.doc（3页珍藏版）》请在三一文库上搜索。
1、基于BFO FCM聚类算法的排水管网监测点优化摘 要：为了克服 FCM 算法易陷入局部最优和对初始 值敏感的缺陷，本文提出一种基于 BFO 的 FCM 聚类算法。 即引入 BFO 求得最优解作为 FCM 算法的初始聚类中心，然 后利用 FCM 算法优化初始聚类中心， 最后求得全局最优解。 将该算法用于排水管网监测点优化，实验结果表明，该算法 可以快速、有效的优选监测点。关键词：细菌觅食算法 模糊 C 均值 聚类监测点优化 中图分类号： TM715 文献标识码： A 文章编号： 1674-098X (2015)04(a)-0086-01监测点位设计的不合理，将导致监测全部投入和工作前 功尽弃。本
2、文提出一种基于细菌觅食算法 ( Bacterial Foraging Optimization , BFO)的模糊 C 均值(Fuzzy C-means, FCM ) 聚类算法对排水管网监测点进行优化。 即引入 BFO 求得最优 解作为 FCM 算法的初始聚类中心， 然后利用 FCM 算法优化 初始聚类中心，最后求得全局最优解，以改进 FCM 算法易 陷入局部极小值和对初始值敏感的缺陷。1 BFO-FCM 聚类算法FCM 算法存在局部搜索性和对初始值敏感的问题。 这里 引入寻优能力较强的 BFO 算 法1 求得的最优解作为 FCM 算法的初始聚类中心，然后利用 FCM 算法优化初始聚类中 心，
3、最优求得全局最优解。具体算法步骤如下。Stepl :参数初始化，包括给定聚类数目 centerNum，允 许误差e , l=1，模糊指数m;细菌种群大小N、细菌的移动 步长C、细菌最大前进次数 Ns、趋化算子次数 Nc、繁殖算 子次数 Nre 和迁徙算子次数 Ned。Step2：随机初始化种群，任意产生聚类中心。Step3:针对每个细菌，根据式计算隶属度矩阵U。Step4：按照式f (xi)=1/( JFCM+1 )计算每个细菌的 适应度值， JFCM 根据式，计算，根据适应度度值记录当前 最优解。Step 5：执行种群进化的三层循环，即外层循环，迁徙 算子;中层循环，繁殖算子;内层循环，趋化
4、算子。Step 6： BOF 算法结束，输出群体最优解。Step 7：根据更新细菌群体的隶属度矩阵。Step 8：根据更新群体的聚类中心，计算相邻两代隶属 度矩阵之差E,若E< e，停止；否则转 Step 7。2 仿真实例文中以某市 23 个排水干管监测点为研究对象， 23 个初 设监测点某天监测数据如表 1 所示。采用本文提出的基于 BFO-FCM 聚类算法对监测点进行优化。 算法参数设置如下： 聚类数目centerNum=10 ,允许误差e =10-3 , 1=1，模糊指数 m=2 ;细菌种群大小 N=50、细菌的移动步长 C=0.05、细菌 最大前进次数Ns=3、趋化算子次数 Nc
5、=5、繁殖算子次数 Nre=2和迁徙算子次数 Ned=2。优化结果产生10个监测点分 别为 6#、 13#、 9#、 11#、 16#、 1#、 12#、 10#、 4#和 3#监测 点。对选取监测点每天 4个时刻的检测数据进行 F 检验和 T 检验，显著性水平取 0.05。检验结果均为方差齐和无显著差 异，表明优选的 1 0个监测点可以代替初设的 23个监测点。3 结语文中提出一种基于 BFO 的 FCM 聚类算法对排水管网监 测点进行优化。实验结果表明，本文方法可以改进 FCM 算 法易陷入局部极小值和对初始值敏感的缺陷，快速、有效的 优选排水管网监测点。参考文献1 杨淑莹，张桦 .群体智能与仿生计算 Matlab 技术实现M.北京：电子工业出版社，2014.2 王宏力，何星，陆敬辉，等 .蚁群聚类算法的 T-S 模 糊模型辨识J.计算机工程与应用，2011, 47（ 21）： 153-156.