12、多宇宙优化器：理论、文献综述与数据聚类应用

多宇宙优化器：理论、文献综述与数据聚类应用

1 MVO的改进版本

MVO算法有多种改进版本。有研究提出了一种新的MVO版本，通过引入指数函数膨胀大小的概念改进MVO优化过程，并引入新的控制参数，提高了MVO算法的有效性，成功证明了MVO收敛速度的提升。还有研究利用量子理论及其表示对MVO算法进行修改，增强了MVO定位最优解的能力，在解决数值优化问题上优于原始MVO。另外，有学者提出了二进制版本的MVO，使用百分位二进制运算符来构建二进制MVO算法，并将其应用于集合覆盖问题（SCP）进行评估。

2 MVO的应用

2.1 数据挖掘与机器学习应用

• 神经网络训练 ：MVO可用于训练多层感知器（MLP）神经网络，定位MLP的最佳权重集以最大化分类准确率。还可与人工神经网络（ANN）结合开发入侵检测系统，训练ANN区分正常和异常连接。此外，MVO可用于优化支持向量机（SVMs）的参数，并基于MVO算法开发选择最优特征的方法，获得较高的分类准确率。
• 聚类问题 ：MVO的搜索能力可用于实现聚类问题，避免分区聚类算法的缺点。基于MVO的聚类方法在知名数据集上进行评估，显示出高质量的结果。还有基于MVO算法的自动聚类算法用于历史手写文档图像的二值化处理。

2.2 工程应用

MVO在工程领域有广泛应用，如设计和调整控制器、电力调度问题、电力消耗等。
|应用场景|具体应用|
| ---- | ---- |
|电力系统|优化两区域电力系统中带HVDC链路连接的模糊 - PID控制