一种基于粒子群算法的分类器设计

将粒子群算法应用于数据分类，给出了适用于粒子群算法的分类规则编码，构造了新的分类规则适应度函数来更准确的提取规则集，并通过修改粒子位置更新方程使粒子群算法适于解决分类规则挖掘问题，进而实现了基于粒子群算法的分类器设计。该文进一步用UCI基准数据集对作者提出的粒子群分类器进行了测试，并将几种不同速度与位置更新策略的粒子群算法分类器与遗传算法分类器进行对比，实验结果表明，这种粒子群分类器是一种有效、可行的分类器设计方案。     

自动变速器换档规则的粒子群优化提取方法

针对神经网络“黑箱”模型的缺陷,利用粒子群优化的换档规则提取算法,将规则编码为粒子的方法,通过粒子群优化算法的“位置-速度”搜索模型生成换档规则集。实验分析了标准粒子群与惯性递减粒子群在最优解搜索过程中的性能差异,并验证了该方法的有效性。     

基于量子行为的粒子群优化算法分类规则获取*

介绍了基本的粒子群算法,并针对基本的粒子群算法在收敛性能上的缺陷,提出将具有量子行为的粒子群优化算法应用于数据挖掘学科中的分类规则获取。对加州大学厄文分校的若干数据集模式分类规则进行提取,与其他规则提取方法相比,证明该算法提高了分类规则的正确率以及全局寻优能力。     

基于多变异粒子群优化算法的模糊关联规则挖掘

针对事务数据库中连续型数值较难划分及粒子群优化算法易陷入局部最优的问题,提出一种用多变异粒子群优化算法进行模糊关联规则提取的框架,即先对连续型数值进行模糊区间划分,再通过多变异粒子群优化算法对划分结果进行模糊关联规则挖掘。分别对模糊划分方法和多变异粒子群优化算法的相关参数及框架等进行说明。在多组实验中进行比较分析,结果表明了该方法的准确性和有效性。     

一种基于混合算法的分类器设计

为了高效地从数据库中挖掘分类规则,提出一种将粒子群优化算法和遗传算法相结合的新算法。该算法的核心思想是对规则的前件进行固定长度编码,适应度函数的计算由分类规则的准确率、置信度、支持度和简洁度构成,从而实现基于两者混合算法的分类器设计。将该分类器与遗传算法分类器和粒子群算法分类器进行对比,实验结果表明,该分类器具有更高的分类准确率以及更快的收敛速度。     

一种基于多精度模糊划分提取模式识别规则的方法

对于具有多模糊特征变量的分类问题，提出一种自动提取适当的模糊模式识别规则集的方法．首先通过多精度划分模糊空间产生多个模糊规则表，然后采用人工免疫原理的克隆选择算法，得出一个优化的模糊分类规则集用于模式识别．实验表明该方法所提取的规则集规则数目少、分类正确率较高．     

粒子群优化算法在关联规则挖掘中的研究综述

关联规则挖掘是数据挖掘中的重要领域,考虑到当前数据的大规模、高维度、模态多样及类型复杂等特性,传统关联规则挖掘算法已无法适应大数据的需求,粒子群优化算法作为一种高效的智能优化算法,为其提供了一种全新的解决方案,近年来被广泛应用于该领域。首先对粒子群优化算法的基本原理及关联规则的基本概念进行了详细介绍,回顾了粒子群优化算法的研究进展,分析了粒子群优化算法在关联规则挖掘中的研究,包括常用的数据转换方法、编码方式及评估指标,并与其他在关联规则挖掘中被广泛应用的算法进行了对比,总结了各自的优缺点及适用场景。然后对已有改进方法进行了较为系统的分类,即分为基于参数、基于变异机制和混合其他算法的改进。接着梳理归纳了粒子群优化算法在关联规则挖掘中的应用领域,阐述了该算法在购物篮、金融、医疗、工业生产及风险评估领域中的应用优势。最后在介绍这一领域的最新研究进展的基础上,通过对现存问题进行分析,讨论了进一步的研究方向。     

基于改进PSO的规则提取方法

为解决飞行动作识别规则的自动提取问题,提出一种基于改进粒子群优化算法的飞行动作规则提取方法。在对关键飞行参数特征量进行符号化的基础上,利用基于改进的动态惯性权重策略的离散二进制粒子群算法对符号化的各飞行参数特征量进行组合寻优,以找到能够完全表达飞行动作的识别规则。仿真实验表明,应用该方法得到的飞行动作识别规则简洁、有效,在实践中有良好的应用前景。     

基于克隆选择的模糊分类规则提取算法

分类是许多研究领域的关键问题，模糊规则的提取质量对分类器的性能又有着极大影响．所提取的规则不仅在分类能力上要达到最优，同时在规则数量上也不能太多，否则会影响规则搜索和匹配的速度．结合人工免疫的克隆选择原理，采用克隆选择算法，提取通过多精度模糊分割产生的大量模糊if—then规则中的少数精华规则，从而建立了模糊分类所需要的有效规则集合，同时还对优化目标函数进行了改进．经仿真实验证明，该方法所提取的模糊规则具有分类准确率高，规则数目较少等特点。     

基于信息素机制的粒子群优化算法的设计与实现

提出了一种基于信息素机制的粒子群优化(Particle swarm optimization based on pheromone mechanism, PSO-PM)算法. 主要是借鉴了蚁群优化算法的信息素共享机制, 并引入到粒子群优化算法中, 设计了粒子行为的三条简单规则: 信息留存规则、信息获取和融合规则以及粒子演化规则, 从而实现了群体信息的充分分享, 相应地改善了算法的寻优能力. 采用基准函数对PSO-PM算法进行测试, 并与几种不同类型的改进优化算法进行对比, 数值实验结果验证了PSO-PM算法的有效性.     

融合可行基规则的粒子群优化算法及其应用

基本粒子群优化算法对于离散的优化问题处理不佳,容易陷入局部最优。针对基本粒子群优化算法处理离散型优化问题时的缺陷,提出了一种融合可行基规则的改进型粒子群优化算法,并用该算法求解车辆路径问题。实验结果表明,该算法的优化性能和求解精度均优于其他文献算法,在求解车辆路径问题中具有较高的应用价值。     

扩展的微粒群算法

微粒间的作用方式是影响微粒群算法的关键因素.为克服微粒群算法的早熟问题,提出一种扩展的微粒群算法(EPSO).基于拟态物理学中的引斥力思想,重新构建微粒间的作用方式.通过微粒间适应值的比较定义微粒间作用的引斥力规则,使微粒在所有微粒对其产生的引斥力的合力方向上随机地移动寻找最优解.扩展的微粒群算法与相关算法进行比较,仿真结果表明:它能够有效提高微粒群算法的全局优化性能.     

基于多群协同人工鱼群算法的分类规则提取算法

在对基本人工鱼群算法原理分析的基础上,提出了一种多群协同人工鱼群算法用于实现对连续空间变量的分类规则提取问题。定义了基于规则支持度与置信度的规则评价函数,构造了人工鱼在规则提取应用中的特定编码及相关概念的计算公式,给出了该算法的具体实现步骤,并用VC++软件编程实现。最后对Iris和Wine数据集进行测试实验,并与单群体鱼群算法及多种群微粒群算法进行比较。仿真结果表明,该算法能够快速提取分类精度较高的分类规则,因此利用该算法解决连续变量分类规则提取的相关问题是可行且有效的。     

遗传-粒子群的投影寻踪模型

以前的投影寻踪研究都是采用遗传算法来寻找最优的投影方向,但遗传算法对初始种群的选择有一定的依赖性,收敛速度较慢,而且得到的也未必是最优解。粒子群算法是一种模拟鸟群飞行觅食的行为,通过个体之间的协作来寻找最优解的进化计算技术。根据遗传算法和粒子群算法的优缺点,将两者有效地结合在一起,提出了遗传-粒子群的投影寻踪模型。该方法能有效地解决投影寻踪模型中投影方向的寻优问题,并将该方法应用于文本分类,在Reuters-21578文档集上分别采用KNN和朴素贝叶斯方法进行实验,结果表明此方法能有效提取投影方向,取得了满意的分类效果,也提高了算法收敛到最优解的能力。     

求解工程约束优化问题的PSO-ABC混合算法*

针对包含约束条件的工程优化问题,提出了基于人工蜂群的粒子群优化PSO-ABC算法。将PSO中较优的粒子作为ABC算法的蜜源,并使用禁忌表存储其局部极值,克服粒子群优化算法易陷入局部最优的缺陷。采用可行性规则进行约束处理,将粒子种群分为可行子群和不可行子群,并在ABC算法产生蜜源的过程中保留部分较优的可行解和不可行解的信息,弥补了可行性规则处理最优点位于约束边界附近的问题时存在的不足。四个典型工程优化设计的实验结果表明,该算法能够寻得更优的约束最优化解,且稳健性更强。     

基于离散粒子群优化算法求解矩形件排样问题

改进了一种近似排样算法,并将改进的近似排样算法与离散粒子群优化算法结合求解矩形件排样问题.设计了应用离散粒子群优化算法求解矩形件排样问题的相关操作和定义,给出了离散粒子群优化算法求解矩形件排样问题的详细步骤,最后通过实验测试,验证了算法的有效性.