SCI聚类算法3：GA-HIDMSPSO优化k-means++聚类（matlab源码+直接运行）

主题：原创-基于遗传算法辅助异构改进的动态多群粒子群优化算法（GA-HIDMSPSO）优化k-means++聚类算法

---

代码下载链接：https://mbd.pub/o/bread/mbd-Zp6akpxu

---

读前tips

       一次性给你：创新算法 + 完整 MATLAB 代码 + 超多图示例。

       本文将带你体验基于遗传算法辅助异构改进的动态多群粒子群优化算法(GA-HIDMSPSO)，优化k-means ++聚类的全过程。    

       不仅有源码可直接运行，还注释清晰、配套参考文献，让你写paper、做研究一步到位。

01 独创声明

一、创新独家，先用先发，注释清晰，附赠GA-HIDMSPSO原理详解和示范数据！

02 优化参数

二、输出优化参数

    1、距离的最佳总和

    2、优化聚类数目

    3、质心选择方式：初始化聚类中心的方式，影响聚类结果和收敛速度。

    4、最佳适应度值

    5、最大迭代次数

    6、容忍度：迭代过程中允许的误差范围，判断算法是否收敛的标准。

    7、每个聚类的样本数量输出，同时有每个聚类各维度特征的均值和方差输出，方便分析，请见下方部分截图。

03 运行结果图示

三、图例（超多图，满足paper需求）

      1、GA-HIDMSPSO优化后的密度聚类图

      2、GA-HIDMSPSO收敛曲线

      3、聚类类型分布饼状图

      4、优化参数之间的三维立体图

      5、对数似然值变化曲线

      6、聚类数目分布直方 

      7、质心选择方式分布直方图

04 优化算法简介

四、GA-HIDMSPSO算法 

        算法是一种将最先进的粒子群优化算法(PSO)与遗传算法(GA)相结合的元启发式优化算法。该混合模型利用了HIDMS-PSO的异构特性和遗传算法的进化特性。在遗传算法-HIDMS-PSO体系结构中，HIDMS-PSO作为主要搜索引擎，遗传算法作为辅助方法，对HIDMS-PSO算法的同质和异质亚群的选定比例进行辅助和减缓多样性的丧失。这两种方法连续运行。作为主要的搜索方法，HIDMS-PSO比遗传算法运行时间更长。HIDMS-PSO从同质和异质亚群中为遗传算法提供初始解，遗传算法返回的最终解取代了HIDMS-PSO中的先前解，从而恢复了搜索过程，并可能使用更多样化的粒子来引导群体。

---

代码经营范围

     各类故障诊断研究、智能优化算法、神经网络分类/时序/回归、熵值特征分析、优化模态分解、聚类算法、数据去噪重构、数据特征提取等等，持续更新中！！！