改进蚁群聚类算法在火山岩岩性识别中的应用

合集下载

蚊群聚类分析算法在茶叶等级分类识别中的应用

ｌｖ１ｏａｑｉｎｎｌｚｅｃａａｔｒｔｓｏａｃｍｐｅｅｓｅｙ，ｃＵｃｉｇｔａｏｅｅｓｗｉｉｔａｌｓｆｒｅｅ．Ｔｃｕｒａｄａａｙｅｔｈｒｃｅｓｉｆｔｏｒｈｎｉｌｅｈｉｃｅｖｏｅｔｆｌｖｌｔｓｘｙｓｍｐｅｏｎｅ３ｈｅｃｅｅ，ｔｅｈ６ｐａｔｒｏｅｉｇｓａｄｓｅｔａｆｍａｈｓｍｐｅｗｒｏｌｃｅａｈｌｖｌｈｎｔｅ１ａｍｅｅｓｆｔｍａｅｎｐｃｒｒｅｃａｌｅｅｃｌｔｄ，ｒｎｏｃｔｇｒｅｈｒｈｏｅａｄｍａｅｏｚｄｔｅｉ
ＡｓａｔＴｅｅｉｅｃｆｆｅｔａｆｍｎｎｏｉｎｉａｔｏｈｒｄｂｌｙａｄｓｌｓｏｅｏｉｎＬｎｊｇｔｂｔｃ：ｈｘｓｎｅｏａｅｒｏ — ｇｍｐｃｓｎｔｅｃｅｉｉｎａｆｔｒｉｏｇｎｅｒｔｋｏｒｉｉｔｅｈｇｉａ
１０ｓｍｐｅ，ａｌｓｔｃｓｉｅｓｍｌｕｏａｉｌｉｎｃｌｙｃｔｎｌｏｔｍｔａｏｎａｍｄｌ８ａｌｓｔａｔｏｌｓｙｔａｐｅａｔｍｔａｌｗｔａｔｏｎｌｅｇａｒｈ．Ｉｗｓｆｕｄｔｔｏｅａｆｈｓｃｙｈｏｓｉｕｒｇｉｈ
参ｌ１
关
键
词：叶分级；茶蚁群算法；聚类分析；等级分类文献标志码：Ａ文章编号：０５２９２１）５０９－５１０－８５（０１０－０００

第五章蚁群算法

x : 最优解，如果x F, f (x) minf (x) | x F.
8
10/11/201
1.1 组合优化问题 ₪ 例1 0-1背包问题（0-1 knapsack problem）
b :背包容积 ai : 第i件物品单位体积，i 1,, n. ci : 第i件物品单位价值，i 1,, n. 问题：如何以最大价值装包？
15
10/11/201
1.2 计算复杂性的概念
城市 24 25 26 27 28 数
计算 1 24 10 4.3 4.9 时间 sec sec min hour day
29 30 31
136.5 10.8 325 day year year
随城市增多，计算时间增加很快。到31个城市时，要计算325年。
蚁群算法
Yuehui Chen School of Inform. Sci. and Eng. University of Jinan, 2009
10/11/2019
1
内容
一、启发式方法概述二、蚁群优化算法
2
10/11/201
背景
₪ 传统实际问题的特点连续性问题——主要以微积分为基础，且问题规模较小
9
10/11/201
1.1 组合优化问题
数学模型：
n
max ci xi i 1
(1.1)总价值
n
s.t. ai xi b, i 1
xi 0,1, i 1,, n.
(1.2)包容量限制 (1.3)决策变量
其中xi

1，装第i物品 0，不装第i物品
D 0,1n.
求和运算次数为：(n 1)!n n!;
枚举所有路径进行(n 1)!次比较可得最优路径,基本计算总次数为

结合蚁群聚类算法的模糊C均值聚类

－
ｍｅｎｌｔｒｎｌｏｉｈａｓｃｕｓｉｇａｇｒｍ．ｏａａｃｄｐａａｌｌｏｅｔＧｌｂｓｒｈａｒｌｅｍｐｔｇｂｎｆｔａｏｄｔｅｃｕｔｒｎｉｈｉｅｓｏｆｌｉｔｃｐｍａｏｌｅｎｃｕｉｅｓｖｉｌｓｅｇｗｈｃｓａｙｔａｌｎｏｌａｏｔｌｓ — ｎｅｉｈｉｏｌｉ
ＡｂｔａｔＦｚｙＣ－ａｓ（Ｃ）ｃｕｔｒｇａｏｔｍｇｔｔｅｉｉａｃｕｔｒｇｃｎｅｙｒｎｏｓｌｃｎ，ｉｋｓｔＣａｏｓｃ：ｕｚｍｅｎＦＭｌｓｉｌｒｈｅｓｔｌｓｉｅｔｒａｄｍｅｔｇｗｈｃｍａｅｅＦＭｇ－ｒｅｎｇｉｎｉｈｌｅｎｂｅｉｈｈｌ
ＣｌｓｅｉｇＡｌｏｉｈｕｔｒｎｇｒｔｍ
ＺＨＯＵｅｇ，ＦｎＬＩＬｏｎ —ｓｕｇｈ
（ｃｏｌｆｏｕｅｃｎｅａｄＴｃｎｌｇ。ｈｉｎｖｒｔ，ｅｅ２０３，ｈｎ）ＳｈｏｍｐｔＳｉｃｎｅｈｏｏｙＡｎｕＵｉｅｓｙＨｆｉ３０９ＣｉａｏＣｒｅｉ
第２２卷
第７期
计算机技术与发展
ＣＯＭＰｒＵＥＲＴＥＣＨＮＯＬＯＧＹＡＮＤＤＥＶＥＬＭＥＮＴＯＰ
Ｖｏ．２Ｎｏ７１２．
２１０２年７月
Ｊｌ２１ｕｙ０２
结合蚁群聚类算法的模糊Ｃ均值聚类
周峰，李龙澍
（安徽大学计算机科学与技术学院，徽合肥２０３）安３０９

一种用于储层含油性识别的蚁群聚类算法

ｃＣ…，取【内的整数，Ｋ为最大聚类数，１Ｃ１，，ｎ，】根据文献［８】
的验证和分析， ≤ ，ｎ为数据集的样本数。定义３算法中解的实现方法见文献【］在确定样本所属９。
类另之前，设定一个阈值，以信息素为基本依据，对每个样 Ⅱ
∑ （（ｆ［ｆ））】ｒ
ｊｌｗｄＥａｌｅｏ
（㈩１）
基金项目：国家自然科学基金资助项目（５３０）高等学校博士学７７１１；０科点专项科研基金资助项Ｎ（００９０１；中国博士后基金资助项．０７４１１）２
目（０９４１９）２００６２３；中央高校基本科研业务费基金资助项目（Ｕ００ＣＧ９
中分类Ｔ３１圈号：Ｐ．０６
种用于储层含油性识别的蚁群聚类算法
袁可红，李艳晓，郭海湘。，诸克军
（．１洛阳理工学院数理部，河南洛阳４１２；．７０３２中国地质大学经济管理学院，武汉４０７）３０４
摘
要：针对储层含油性识别过程的复杂性和不确定性，提出一种改进的蚁群聚类算法。将储层类别作为变量，以Ｊｃａａｃｒｄ系数衡量聚类
ＡｎｌｎｕｔｒｎｇｒｔｍｔＣｏｏｙＣｌｓｅｉｇＡｌｏｉｈｆｒＯｉｂａｉｇ０ｓｒｏｒＲｅｏｎｔｏｏｌｅｒｎｆ — Ｒｅｅｖｉｃｇｉｉｎ
ＹＵＡＮ－ｏｇ，ａ．ｉｏ，ＫｅｈｎＬＩｎｘａＧＵＯｉｉｎ２ＺＹＨａ－ａｇ，ＨＵＫ－ｎｘｅｊｕ

一种基于蚁群聚类的图像分割方法

一种基于蚁群聚类的图像分割方法【关键词】图像分割；群体智能；蚁群算法；聚类0 引言在图像分析与处理中，通常需要将关心的目标从图像中分离出来，这种从图像中将有特殊意义的区域与其它区域分离并提取出来的技术和过程，就是图像分割。

图像分割是目前图像处理、计算机视觉、模式识别等研究邻域的基本问题之一。

目前，图像分割不存在通用的分割算法，不同的图像分割算法都是在针对不同图像取得了较良好的效果。

而应用较广泛的有阈值法，边缘检测法，区域跟踪法等[1]。

各方法都有自己的优点和缺点。

随着实际应用的需要，对图像分割方法的研究也在不断深入，在不断改进现有方法的同时，也提出了许多的新方法。

其中包括基于群体智能的分割算法：如蚁群算法[2-6]，遗传算法[7]，粒子群优化算法[8]等。

群体智能是人们在研究昆虫的习性时提出的。

群体智能是指“无智能的个体通过合作表现出智能行为的特性”。

当前研究较多的还是对蚂蚁习性的观察，如对蚂蚁觅食行为而提出的蚁群算法及后的许多改进算法；对蚂蚁构建墓地的行为而提出的用于解释聚类现象的bm模型。

本文提出的图像分割方法是基于群体智能理论的聚类算法。

首先介绍了有关群体智能的理论，然后对原有蚁群聚类算法作了一些改进，通过分割特征的提取，初始虚拟堆的设置，以及负载和观察半径的设置，在加快聚类的同时，也保证了的聚类效果，并在图像分割中收到了较好的结果。

最后，将实验分割的效果与目前常用的分割算法如：log算子、canny算子进行比较。

实验结果表明：具有较好的聚类效果，能够较好的分割图像。

1 群体智能理论20世纪50年代中期创立了仿生学，人们通过对群居生物筑巢、觅食、迁徙、打扫巢穴等行为的模似，提出了许多用以解决复杂优化问题的新方法，并成功的解决了组合优化、车间调度、图着色等邻域的实际问题。

bonabeau等人认为群体智能是任何启发于群居性昆虫群体和其它动物群体的集体行为而设计的算法和分式问题的解决装置。

群体智能的特点如下[3]：1）无集中控制约束，不会因个别个体的故障影响整个问题的求解，确保了系统具有更强的鲁棒性；2）以非直接的信息交流方式确保了系统的扩展性，由于系统中个体的增加而增加的通信开销较少；3）并行分布算法模型，可充分利用多处器，这样的分布模式更适合于网络环境下的工作状态；4）对问题定义的连续性无特殊性要求；5）系统中每个个体的能力十分简单，每个个体的执行时间也比较短，并且算法实现简单。

交会图技术在火山岩岩性与裂缝识别中的应用

交会图技术在火山岩岩性与裂缝识别中的应用测井技术WELL LOGGING TECHNOLOGY1999年第23卷第1期vol.23 No.1 1999--------------------------------------------------------------------------------范宜仁黄隆基代诗华摘要选用一些对火山岩岩性反应敏感的物理量进行交会识别岩性。

讨论了3种识别方法：①常规测井交会图技术识别法；②利用岩石强度参数识别法；③利用横波信息交会识别法。

介绍了用各种交会图定性识别新疆克拉玛依油田火山岩岩性及裂缝情况的成功实例。

主题词：火山岩岩石成分岩石性质［交会图］裂缝识别测井测井解释Application of Crossplot Technique to the Determination of Lithology Composition and Fracture Identification of Igneous Rock．Fan Yiren，Huang Longji et al．．ABSTRACT The lithology of igneous rock is quite complex．It is rather difficult to determine its lithology composition and identify fracture in igneous rock by logging data．Some pyrolith-sensitive quantities are selected to make crossplot for lithology identification．Three identification methods are given，i．e．①conventional logging data crossplot；②rock strength parameters crossplot；③S wave data crossplot．Case history of various crossplot techniques in Karamay Oilfield is given for qualitative identification of lithology composition and fracture of igneous rock．Subject Terms：volcanic rock rock composition rock property［crossplot］fracture identification logging log interpretation引言火山岩岩性复杂。

遗传算法和蚁群算法融合在人脸识别中的应用

遗传算法和蚁群算法融合在人脸识别中的应用摘要：利用遗传算法快速全局搜索能力和蚁群聚类算法正反馈机制及分布式并行计算能力，融合后用于图像中人脸检测，经过在orl库上进行实验，证明此方法效果良好。

关键词：人脸检测；遗传算法；蚁群算法中图分类号：tp183 文献标识码：a 文章编号：1007-9599 （2013） 04-0000-021 概述人脸识别是生物特性鉴别技术的一个重要方向，它涉及图像处理，模式识别，计算机视觉等多个研究领域，具有十分广泛的应用前景，多年来一直是一个研究热点。

国内外关于人脸检测和人脸跟踪的方法多种多样，并且不断有新的研究成果出现，文献[1-2]描述了近年来人脸识别的主要方法和进展。

通过模拟自然生态系统机制以求解复杂优化问题的仿生优化算法相继出现（如遗传算法、蚁群算法、微粒群算法、人工免疫算法等），一些仿生优化算法已在经典np问题的求解和实际应用中显示出了强大的生命力和发展潜力。

遗传算法[3]是最初由美国michigan大学的j.holland教授于1975年首先提出来的，是一种通过模拟自然进化过程搜索最优解的方法，该算法的主要优势在于：a、具有领域无关的群体性全局搜索能力；b、使用评价函数启发搜索过程；c、使用概率机制迭代；d、扩展性强。

缺点是：搜索过程不能有效利用系统的反馈信息，往往做大量的冗余迭代，向最优解收敛时速度减慢，使得求解效率低下。

蚁群算法是m.dorigo[4]模仿真实蚂蚁的行为而提出的，用概率算法的方法在图中找出最佳的路径。

该算法在许多组合优化问题上具有优势，表现在：a、具有正反馈机制，通过信息素的不断更新高效收敛到最优解；b、强鲁棒性，随机优化；c、分布式优化有利于并行计算；d、自适应性使其在全局优化时既可求解单目标优化问题，也可求解多目标优化问题。

其缺点是：初始信息素缺乏，初期为积累信息素所用搜索时间较长。

2 遗传-蚁群（ga-ca）算法的基本原理和设计思想利用遗传算法“生成+检测”的能力进行快速全局搜索，在一定程度上解决信息反馈系统使用的不足造成的大量的冗余迭代，解决效率下降问题。

一种改进蚁群聚类的入侵检测方法

ｃｌｌａｙｈｅｔｐｈｅｒｏｍｏｎｅｕｐｄａｉｔｎｇａｎｄｉｍｐｒｏｖｅｈｅｔｃｌｕｓｔｅｉｎｒｇｓｐｅｅｄ．Ａｎｄｆｏｌｌｏｗｏｎ，ｈｅｔｉｎｔｒｕｓｉｏｎｄｅｔｃｔｅｉｏｎｓｙｓｔｅｍｉｓｄｅｓｉｇｎｄ．ｅｈｅＴｅｘｅｒｐｉｍｅｎ —
第２３卷
２０１３年１２月
第ｌ２期
计算机技术与发展
ＣＯＭＰＵＴＥＲＴＥＣＨＮＯＬＯＧＹＡＮＤＤＥＶＥＬＯＰＭＥＮＴ
Ｖｏ１．２３Ｎｏ．１２Ｄｅｃ．２０ｌ３
一
种改进蚁群聚类的入侵检测方法
ｔａｌｅｓｒｕｌｔｓｓｈｏｗｈａｔｔｈｅｔｍｅｈｏｔｄｎｏｔｏｎｌｙｉｍｐｒｏｖｅｓｈｅｔｄｅｔｅｃｉｏｔｎｒａｔｅ，ｂｕｔｒｅｄｕｃｅｓｈｅｔｆａｕｌｔｄｅｔｃｔｅｉｏｎｒａｔｅ，ｎｄａｃａｌｌｄｅｔｅｃｔｐｒｅｃｉｓｅｌｙｔｈｅｖａｒｉ — ＯＵＳｉｎｋｄｓＯｆａｎａｃｋｓ．Ｋｅｙｗｏｒｄｓ：ｎｅｔｗｏｒｋｓａｆｅｔｙ；ｉｎｔｒｕｓｉｏｎｄｅｔｃｔｅｉｏｎ；ｄａｔａｍｉｎｉｎｇ；ｎｔａｃｏｌｏｎｙｃｌｕｓｔｅｒｉｎｇ；ｃｌｕｓｔｅｒｎａａｌｙｓｉｓ

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

对松辽盆地火成岩进行了岩性划分。
作者简介：张程恩，男，硕士研究生，从事测井解释与研究工作。１９８８年生，
等：改进蚁群聚类算法在火山岩岩性识别中的应用６卷第４期张程恩，第３
·３７９·
蚁群算法是意大利学者ＭＤｏｒｉｏ等受自然界ｇ中蚂蚁觅食行为的启发而发展起来的一种新的模拟进化算法。人们经过大量研究发现，蚂蚁在搜索食物源时会在其走过的路径上释放信息素。因此，由大量蚂蚁组成的蚁群的集体行为便表现出一种信息正反馈现象：某一路径上走过的蚂蚁越多，则后来者选择该路径的概率就越大。蚂蚁个体之间通过信息素的交流达到搜索食物的目的。蚁群算法是继模拟遗传算法、禁忌搜索算法、人工神经网络退火算法、算法等启发式搜索算法以后的又一种应用于组合优化问题的启发式搜索算法
第３６卷第４期２０１２年８月（）文章编号：１００４－１３３８２０１２０４－０３７８－０４
测井技术
ＷＥＬＬＬＯＧＧＩＮＧＴＥＣＨＮＯＬＯＧＹ
Ｖｏｌ．３６Ｎｏ．４Ａｕ２０１２ｇ
［１０－１１］
２改进蚁群聚类算法的实现过程
常规Ｋ－均值聚类方法只对属性相近的点进行模糊聚类，初始聚类中心随机给出，对聚类结果的影响很大且实际物理意义不明确。这种方法计算量耗时多、容易受孤立点的影响。基于以上原因本大、文提出了一种改进的蚁群聚类算法。对样本数据点进行训练时，以不同岩性的曲线使得初始聚类中心接近均值作为初始的聚类中心，真值而能够更快收敛。在进行迭代时，为了避免某些距离聚类中心过远的散逸点影响初始聚类中心，造成偏移过大且过早收敛的问题，引入了聚类半径这一参数。不同岩性取不同的聚类半径，对于否ｄｒｉｊ＜ｊ的数据点按照最大隶属度原则进行归类，归置在未归类点集中。则认为该数据点为散逸点，对信息素进行更新，再次迭代，当聚类中心不再发生变化时，得到的新的聚类中心即为全局最佳的聚类对未归类的数据点计算隶属度并进行归类，即中心，
１３－１５］。完成了所有数据点的岩性判别工作［
。目前主要用于求解
旅行商问题、指派问题、调度问题、图像处理等，袁可
１２］红等［利用蚁群聚类算法对储层的含油性进行识
别。本文首次将该方法用于岩性识别。本文结合蚁群算法及Ｋ－均值聚类分析方法提通过对样本点的训出了一种改进的蚁群聚类算法，练和学习找到最优化的聚类中心。另外，借鉴蚁群算法中信息素的相关方法，提出了一种新的聚类距离，并对松辽盆地２口井岩性进行了聚类判别。改进的蚁群聚类算法与自组织神经网络及Ｋ－均值聚判别准确率更高，表明该算法能很好地类算法相比，实现火山岩岩性的判别，效果良好，是一种新的岩性判别有效方法。
６］描述了后的数据交会识别火山岩岩性。黄布宙等［
松辽盆地北部深层流纹岩、安山岩、安山玄武岩、英安岩和凝灰岩等岩性特征，并用模糊聚类方法进行
７］了岩性识别。王玉娟等［利用自组织神经网络对松
辽盆地东岭地区深部火成岩井段进行了岩性识别。
ห้องสมุดไป่ตู้
０引言
火山岩成分复杂，矿物结合方式多样。建立测井资料与地质岩性定名资料之间的响应关系，实现利用测井资料划分地层岩性已经成为目前火山岩岩
１－４］。利用测井方法进行岩性识性识别研究的热点［
选测井资料入手，主要采用聚类分析法，再利用优选
ＡｌｉｃａｔｉｏｎｏｆＩｍｒｏｖｅｄＡｎｔＣｏｌｏｎＣｌｕｓｔｅｒｉｎＡｌｏｒｉｔｈｍｔｏＶｏｌｃａｎｉｃＲｏｃｋＬｉｔｈｏｌｏＩｄｅｎｔｉｆｉｃａｔｉｏｎｐｐｐｙｇｇｇｙ
改进蚁群聚类算法在火山岩岩性识别中的应用
张程恩１，潘保芝１，刘倩茹２，徐新也３
（吉林大学地球科学学院，吉林长春１１．吉林大学地球探测科学与技术学院，吉林长春１３００２６；２．３００２６；）３．中国石油化工股份有限公司东北油气分公司，吉林长春１３００２６摘要：提出了一种基于蚁群算法和模糊聚类算法的改进蚁群聚类算法对火山岩岩性进行识别。介绍了蚁群算法的原理、Ｋ－均值聚类算法的实现过程及改进蚁群聚类算法的实现过程。用该方法对火山岩样本数据点进行训练和学习，获得最佳的岩性聚类中心，根据加权信息素浓度和的大小，识别实际测井数据点的岩性。对松辽盆地４３０个火山岩薄片的实际处理表明，与自组织神经网络及Ｋ－均值聚类算法相比，该方法识别准确率高、运算速度快，是一种有效的岩性识别手段。关键词：测井解释；蚁群算法；模糊聚类；火山岩；岩性识别；松辽盆地中图分类号：Ｐ６３１．８４文献标识码：Ａ
：ＰＡｂｓｔｒａｃｔｕｔｆｏｒｗａｒｄｉｓａｎｉｍｒｏｖｅｄａｎｔｃｏｌｏｎｃｌｕｓｔｅｒｉｎａｌｏｒｉｔｈｍｂａｓｅｄｏｎａｎｔｃｏｌｏｎｐｙｇｇｙａｌｏｒｉｔｈｍａｎｄｆｕｚｚｃｌｕｓｔｅｒｉｎａｌｏｒｉｔｈｍｔｏｉｄｅｎｔｉｆｔｈｅｖｏｌｃａｎｉｃｒｏｃｋｌｉｔｈｏｌｏａｃｃｕｒａｔｅｌ．ｇｙｇｇｙｇｙｙａｒｅｔｈｅｒｉｎｃｉｌｅｏｆａｎｔｃｏｌｏｎａｌｏｒｉｔｈｍ，ｒｅａｌｉｚａｔｉｏｎｒｏｃｅｓｓｏｆＫ－ｍｅａｎｓｃｌｕｓｔｅｒｉｎＩｎｔｒｏｄｕｃｅｄｐｐｙｇｐｇａｌｏｒｉｔｈｍａｎｄｉｍｒｏｖｅｄａｎｔｃｏｌｏｎｃｌｕｓｔｅｒｉｎａｌｏｒｉｔｈｍ．Ａｆｔｅｒｔｒａｉｎｉｎａｎｄｌｅａｒｎｉｎｏｆｔｈｅｐｙｇｇｇｇｇ，ｒｏｃｋｓａｍｌｅｄａｔａｈｅｂｅｓｔｃｌｕｓｔｅｒｃｅｎｔｅｒｓａｒｅｏｂｔａｉｎｅｄ．Ｔｈｅｎｔｈｅｌｉｔｈｏｌｏｏｆｖｏｌｃａｎｉｃｏｉｎｔｓｔ－ｐｇｙｐａｃｔｕａｌｌｏｉｎｄａｔａｃａｎｂｅｉｄｅｎｔｉｆｉｅｄｂｃｏｍａｒｉｎｔｈｅｓｕｍｏｆｗｅｉｈｔｅｄｏｉｎｔｓｈｅｒｏｍｏｎｅｇｇｇｙｐｇｇｐｐ，ｖａｌｕｅｓ．Ｐｒａｃｔｉｃａｌａｌｉｃａｔｉｏｎｓｏｆ４３０ｖｏｌｃａｎｉｃｃｈｉｓｉｎＳｏｎｌｉａｏｂａｓｉｎｓｈｏｗｔｈａｔｃｏｎｃｅｎｔｒａｔｉｏｎｐｐｐｇｃｏｍａｒｅｄｗｉｔｈＳＯＭａｓｗｅｌｌａｓＫ－ｍｅａｎｓｃｌｕｓｔｅｒｉｎａｌｏｒｉｔｈｍ，ｔｈｅｉｍｒｏｖｅｄａｎｔｃｏｌｏｎｃｌｕｓｔｅｒｉｎｐｇｇｐｙｇ，ａｌｏｒｉｔｈｍｉｓｍｏｒｅａｃｃｕｒａｔｅｆａｓｔｅｒｃａｌｃｕｌａｔｉｏｎａｎｄｒａｃｔｉｃａｌｉｎｌｉｔｈｏｌｏｉｄｅｎｔｉｆｉｃａｔｉｏｎ．ｇｐｇｙ：ｌ，，Ｋｅｗｏｒｄｓｏｉｎｔｅｒｒｅｔａｔｉｏｎａｎｔｃｏｌｏｎａｌｏｒｉｔｈｍ，ｆｕｚｚｃｌｕｓｔｅｒｉｎｖｏｌｃａｎｉｃｒｏｃｋ，ｌｉｔｈｏｌｏｇｐｙｇｙｇｇｙｙ，ｉｄｅｎｔｉｆｉｃａｔｉｏｎＳｏｎｌｉａｏｂａｓｉｎｇ
１１２３ＺＨＡＮＧＣｈｅｎｅｎ，ＰＡＮＢａｏｚｈｉ，ＬＩＵＱｉａｎｒｕ，ＸＵＸｉｎｅｇｙ