针对KMC局部最优问题的飞蛾捕焰优化方法

针对传统飞蛾捕焰(MFO)算法求解复杂函数时后期收敛速度慢与求解精度较低等问题,提出了一种基于快速收敛的飞蛾捕焰(RMFO)算法.采用最大最小距离积的方法来初始化飞蛾群,能够提高算法全局收敛速度并且优化解的质量,同时构造出MFO算法的适应度函数作为寻优函数.将RMFO算法和有K均值聚类算法(KMC)进行交叉迭代,构建基于RMFO优化的KMC算法,求解聚类中心时能够改善聚类性能,可以解决现有KMC算法选取初始聚类中心不确定陷入结果局部最优的问题.实验结果表明,通过用UCI国际通用测试数据库的Iris、Wine和Glass 3种数据集,对RMFO算法和优化KMC算法进行性能测试,提出的RMFO算法更加精准,收敛速度快,不易陷入局部最优解,同时,优化KMC算法的聚类性能更好.     

基于历史数据挖掘的战场气象环境数据模糊预测算法

现代模拟仿真训练过程中,对于虚拟战场气象环境的仿真,大多采用重现训练场地某一段历史战场气象环境数据的方法.而战场气象环境预测大多为通过数据挖掘技术预测未来短期的气象数据,缺乏长远的预测方法.针对上述缺点,对战场气象环境历史数据进行处理,给出了一种基于历史数据挖掘的未来战场气象环境数据模糊预测的算法.