1、“..... 每个粒子不仅知道自己的当前位置和到目前为止自己所发现的最好位置，而且还知道到目前为止整个群体所发现的最好位置。 如果可以看作是粒子本身的移动经验，也就是每个粒子本身找到的最优解，那么则是中的最好值，即全局最优解，是整个种群的经验。 每个粒子使用下列信息更新自己的当前位置自身位置自身速度自身位置与之间的距离自身位置与之间的距离。 然后算法就是这样以个随机初始化形成的粒子群，迭代着开始进行搜索了。 基本粒子群算法算法描述在中，每只鸟被称之为个粒子，每个粒子用其几何位置和速度向量表示，在问题求解中......”。

2、“..... 现在般采用下面公式对每个粒子进行操作其中是粒子的速度向量，是粒子当前位置。 是粒子本身所找到的最好解得位置，是整个种群目前找到的最优解的位置。 其,目录摘要第章绪论研究的背景和意义国内外研究现状数据挖掘的研究现状, 聚类的研究现状......”。

3、“..... 其他狼要想找到兔子的最简单方法就是跟着那只找到兔子的狼，通过估算自己与那只狼之间的距离来估算自己与兔子之间的距离，然后再调整自己的位置和速度。 在这个过程中有可能出现开始发现兔子的狼后来把兔子跟丢了，但是后来又被其他的狼发现的情况......”。

4、“..... 粒子群算法就从生物种群的这种行为特性中得到启发并用于求解优化问题的。 若我们把个优化问题看作是群饥饿的狼，优化问题的最优解看作兔子，那么在粒子群算法中，狼就是在解空间中进行搜索的粒子。 这里的粒子是没有质量和体积，只有调整本身状态的速度和加速度的个折衷概念。 而群是来自于人工生命的概念,。 因此粒子群算法也可被看作是对简化了的人类社会或者动物群体活动的计算机模拟，信息共享机制是推动算法运行的主要机制，也是算法中最重要的部分。 在搜索空间中每个粒子都以定的速度移动，并且这个速度是用同伴的移动经验和自己的移动经验来动态调整的......”。

5、“..... 每个粒子不仅知道自己的当前位置和到目前为止自己所发现的最好位置，而且还知道到目前为止整个群体所发现的最好位置。 如果可以看作是粒子本身的移动经验，也就是每个粒子本身找到的最优解，那么则是中的最好值，即全局最优解，是整个种群的经验。 每个粒子使用下列信息更新自己的当前位置自身位置自身速度自身位置与之间的距离自身位置与之间的距离。 然后算法就是这样以个随机初始化形成的粒子群，迭代着开始进行搜索了。 基本粒子群算法算法描述在中，每只鸟被称之为个粒子，每个粒子用其几何位置和速度向量表示，在问题求解中......”。

6、“..... 现在般采用下面公式对每个粒子进行操作其中是粒子的速度向量，是粒子当前位置。 是粒子本身所找到的最好解得位置，是整个种群目前找到的最优解的位置。 其他参数的介绍见第部分。 参数设定算法中需要调节的参数主要包括惯性权重系数学习因子和最大速度以及种群规模，在本课题算法中还加入了最大位置。 惯性权重系数惯性权重系数是用前面的速度来控制当前速度的影响，较大的可以加强的全局搜索能力，而较小的能加强的局部搜索能力。 目前普遍采用的是将设置为从到线性下降的方法，这种方法可使得在开始时在较大的区域内探索，较快地定位最优解的大致位置......”。

7、“.....粒子速度减慢，开始进行精细的局部搜索。 学习因子学习因子也称加速度系数和分别调节粒子向全局最优粒子和个体最优粒子方向飞行的最大步长。 若太小，则粒子可能远离目标区域若太大则可能导致粒子忽然向目标区域飞去或飞过目标区域。 合适的和可以加快收敛且不易陷入局部最优，目前大多数文献均采用。 但文献分析指出，令，能使算法具有更好的收敛性能。 最大速度引入最大速度的实际上是对粒子的全局搜索能力和局部搜索能力的种平衡。 越大，则粒子的飞行速度越高，从而可以对整个空间进行有效的搜索越小，则粒子的飞行速度越低，从而可以对局部区域进行更加有效的搜索，确保获得较高的搜索精度。 般来说......”。

8、“.....若将搜索空间第维的变化范围定义为令并且在∈,的范围内能够获得较好性能。 种群规模算法种群规模较小，般令。 其实对于大部分问题个粒子就能取得很好结果，但对于较难或者特定类别的问题，粒子数可能取到或。 最大位置最大位置的引入是为了防止在迭代后期，粒子位置超过取值区间。 经试实验得出，并且在∈,的范围内能够获得较好的性能。 改进的粒子群聚类算法粒子群算法的优缺点由于粒子群算法收敛速度快，需要设置调整的参数少，实现简洁，近年来受到学术界的广泛重视。 现在，算法在函数优化神经网络训练模糊系统控制以及其它工程领域都得到了广泛应用。 但是算法也有缺点......”。

9、“..... 纵观各种与算法相关的混合算法，大多数基本上采用种策略对其改进，要么与其他算法结合，要么加入变异操作，同时采用两种策略的混合算法较少。 因此，本文提出了种新的改进策略将局部搜索能力强的均值算法和基于遗传算法的交叉变异操作同时结合到算法中。 通过适当调节，发挥各自的优点，既提高了算法的局部搜索能力，又因为加入了交叉变异操作增加了种群的多样性，防止了算法早熟。 通过与文献中提出的方法对比，这种改进的粒子群聚类算法的收敛效果更好些。 改进的粒子群聚类算法编码和适应度函数算法中的个体采用基于聚类中心的浮点数编码方式，每个粒子由个聚类中心组成......”。