论文研究一种混合粒子群优化模型的Web聚类方法.pdf

论文主要考虑多用户的MIMO-OFDM问题，以使得各个用户更公平有效地分配网络资源。文章首先给出MIMO-OFDM模型，然后引入反映用户满意程度的效益函数，并给出在MIMO-OFDM模型下的效益函数具

简要介绍了数据挖掘、聚类分析及多维数据可视化，提出将Kmeans算法输出的多维结果集通过主分量分析转换为3D空间点坐标，实现数据挖掘结果的可视化。

利用数据点特征权重的概率约束关系和可能分布，提出了分别建立在概率和可能加权特征方式之上的改进可能模糊聚类的两种模型。其中建立在可能约束之上的改进PCM算法扩展了原算法，具有更广泛的适用性。实验结果表明

针对现实数据集的数据缺失问题，提出了一种基于双聚类的缺失数据填补新方法。该算法利用双聚类簇内平均平方残值越小簇内数据相似性越高的这一特性，将缺失数据的填补问题转换为求解特定双聚类簇最小平均平方残值的问

提出了一种基于Normal矩阵的时间序列聚类方法。该算法首先对时间序列数据进行向量形式转换，计算出各个时间序列间的相似度并构建复杂网络，然后利用基于Normal矩阵的方法进行复杂网络社团划分，同一类的

为提高多目标粒子群算法的局部搜索能力，提出了一种模糊学习子群多目标粒子群算法（FLSMOPSO）。在搜索过程中，每个粒子模糊自适应学习生成不确定的p个粒子形成一个子群而不是只产生一个新粒子，然后在其中

针对粒子对算法存在过早陷入局部最优导致精度不是很高的问题,建议了一种新的基于粒子对(PPO)与极值优化(EO)混合算法。该算法利用PPO和EO的优点,借助K-means快速聚类的结果初始化其中一个粒子

为解决多目标粒子群优化算法存在解的多样性差、分布不均等问题，提出一种混合择优机制：在迭代过程中每个粒子依概率，根据解集信息熵或Sigma值确定其全局极值；并直接对解集进行基于信息熵的克隆选择，根据支配

针对粒子群优化算法（PSO）在求解高维复杂优化问题时存在搜索精度不高和易陷入局部最优解的缺陷，借鉴混合蛙跳算法（SFLA）的群体爬山思想，提出一种基于群体爬山策略的混合粒子群优化算法（CMCPSO），

应用粒子群优化算法作为像素寻优策略,应用于多样图纹理合成算法中,将群智能中经典的粒子群优化算法引入到纹理合成领域。应用粒子群优化多样图纹理合成方法是传统的基于像素纹理合成方法和基于块的纹理合成方法的折