基于群体智能的选择性决策树分类器集成

尽管选择性集成方法的研究和应用已取得了不少重要成果，然而其实现方法计算复杂度高、效率低仍是应用该方法的一个瓶颈。为此，提出了一种新的高速收敛的选择性集成方法。该方法使用C4．5决策树分类器作为基学习器，利用高速收敛的群体智能算法来寻找最优集成模型，并在UCI数据库的多值分类数据集上进行了实验。实验结果表明，该方法计算效率高，其精度和稳定性比Bagging方法都要高，可以成为一种高效的选择性集成的实现方法。     

基于群体智能的选择性决策树分类器集成

尽管选择性集成方法的研究和应用已取得了不少重要成果,然而其实现方法计算复杂度高、效率低仍是应用该方法的一个瓶颈。为此,提出了一种新的高速收敛的选择性集成方法。该方法使用C4.5决策树分类器作为基学习器,利用高速收敛的群体智能算法来寻找最优集成模型,并在UCI数据库的多值分类数据集上进行了实验。实验结果表明,该方法计算效率高,其精度和稳定性比Bagging方法都要高,可以成为一种高效的选择性集成的实现方法。     

基于群体智能的算法研究

计算机技术不断发展,从而带动着算法技术不断更新,尤其是在模仿社会性动物的行为领域,产生了很多的智能算法。本文主要介绍当前几种热门研究的算法,阐述了其工作原理和特点,同时对其发展进行了展望。     

群体智能典型算法研究综述

群体智能是指无智能的或具有简单智能的个体通过协作表现出群体智能行为的特性,它在没有集中控制且不提供全局模型的前提下,为寻找复杂的分布式问题求解方案提供了基础。群体智能潜在的并行性和分布式特征使之成为计算机领域一个重要的研究方向。在介绍群体智能模型的基础上,分别对基于该模型的蚁群优化算法和粒子群优化算法这两类代表性算法进行较为详尽的归纳阐述并进行比较,最后就目前应用最为广泛的蚁群算法对群体智能的发展趋势进行展望。     

基于群体智能的离群数据挖掘

离群数据挖掘是数据挖掘的重要任务之一。首先分析了离群数据及其挖掘方法,然后根据LF算法和CSI算法,提出了基于群体智能的离群数据挖掘算法,并进行了仿真实验。实验结果显示了基于群体智能的离群数据挖掘算法的有效性。与其它方法相比,该算法避免了用户在设定参数初始值时给算法带来的影响,并且不需要设定初始聚类中心,因此具有更好的鲁棒性。     

基于群体智能的增量数据挖掘方法研究

增量式挖掘方法有适应大规模动态数据、降低内存需求和可实现并行处理等诸多好处,但是目前的增量式聚类方法存在参数限制较多和计算结果不够准确等问题.在信息源变化的数据挖掘体系结构下,利用一群特殊的智能代理增量修改知识模型,提出了群体智能聚类模型的构建方法及增量模型维护算法.该方法利用信息熵加快聚类过程,根据信息素和数据库的插入及删除增量操作调整已生成的聚群,设定的参数较少,实验表明聚类结果准确.     

基于蚁群优化的分类算法的研究

蚁群优化是人工智能领域中群体智能分支之一,已经成功地应用于旅行推销员,作业调度,路由选择等优化问题上,但用它解决数据挖掘问题还是一个新的研究课题.对Parepinelli等人提出的基于ACO分类算法进行了改进,采用了不同的启发函数和不同的分类条件选择方法,提高了分类准确率及时间效率,并进行了理论分析及实验证明.     

基于群体智能理论的聚类模型及优化算法

聚类是一种把整个数据库分成不同的群组,使群与群之间差别很明显,而同一个群之间的数据尽量相似的算法。该文通过对现有群体智能理论和聚类算法的研究,提出了一种基于群体智能理论的聚类模型,并在此基础上给出了一种优化蚁群聚类算法。实验证明,该优化蚁群算法具有良好的聚类效果,可应用于经济分析、模式识别、文档归类等多个领域。     

群体智能优化算法

群体智能优化算法利用群体的优势,在没有集中控制并且不提供全局模型的前提下,为寻找复杂的分布式问题的解决方案提供了基础。介绍了两种群体智能算法模型:蚁群算法模型和粒子群算法模型,研究了两种算法的原理机制、基本模型、流程实现、改进思想和方法;通过仿真把蚁群算法与其他启发式算法的计算结果作对比,验证了蚁群算法具有很强的发现较好解的能力,不容易陷入局部最优;微粒群算法保留了基于种群的、并行的全局搜索策略,采用简单的速度-位移模型操作,在实际应用中取得了较高的成功率。     

群体智能优化算法

群体智能优化算法利用群体的优势,在没有集中控制并且不提供全局模型的前提下,为寻找复杂的分布式问题的解决方案提供了基础.介绍了两种群体智能算法模型:蚁群算法模型和粒子群算法模型,研究了两种算法的原理机制、基本模型、流程实现、改进思想和方法;通过仿真把蚁群算法与其他启发式算法的计算结果作对比,验证了蚁群算法具有很强的发现较好解的能力,不容易陷入局部最优;微粒群算法保留了基于种群的、并行的全局搜索策略,采用简单的速度-位移模型操作,在实际应用中取得了较高的成功率.     

群集智能算法研究现状及进展

基于群集智能的算法研究,近年来受到了广泛的关注。本文讨论了群集智能的两种算法,蚁群智能与微粒群智能。分别阐述了它们的原理、基本算法及其一些改进算法。最后讨论了群集智能算法的一些应用实例以及它们的应用领域和未来的研究方向。     

群集智能算法研究现状及进展

基于群集智能的算法研究,近年来受到了广泛的关注.本文讨论了群集智能的两种算法,蚁群智能与微粒群智能.分别阐述了它们的原理、基本算法及其一些改进算法.最后讨论了群集智能算法的一些应用实例以及它们的应用领域和未来的研究方向.     

群智能算法应用于MAS系统协作的探讨

多智能体系统(MAS)理论是目前人工智能领域的热点问题之一,群智能算法是一种并行式问题求解方法.就如何将群智能方法引入MAS研究中进行了探讨.首先对MAS理论的研究现状和发展趋势进行调研,综合考虑MAS中需要解决的问题和群智能算法的优点,认为两者具有结合应用的可行性.然后具体针对MAS协作方法研究中的通信瓶颈、意图解释机制、冲突消解等几类问题进行重点讨论和分析,就如何应用群智能算法进行了探讨,提出了初步的解决要点.     

群体智能研究综述

群体智能利用群体的优势,在没有集中控制、不提供全局模型的前提下,为寻找复杂问题的解决方案提供了新的思路。首先阐述了群体智能的研究现状,包括典型的蚂蚁群优化算法、粒子群优化算法、群体机器人以及算法的应用。在此基础上,对今后的研究趋势进行了分析和展望：对群体智能系统底层机制的研究以及群体机器人的研究将是今后研究的重点,具有重大意义和广阔前景。     

群智能在知识发现中的实现方法对比研究

群智能方法是新兴的模拟计算技术,在求解复杂的优化问题中表现出良好的性能。对比讨论了群智能的两个重要组成方面（蚁群算法和微粒群算法）在知识发现中的实现方法,阐述了算法的原理和特性,并提出了一些在将来需要解决的问题。     

基于群体智能的0/1背包问题求解研究进展

0/1背包问题是运筹学中一个经典组合优化NP问题。在简要介绍0/1背包问题基础上,分析展望了0/1背包问题的应用前景。结合已有研究成果,总结并详细分析了蚁群算法、微粒群算法等群体智能算法在0/1背包问题求解方面具有的较好收敛速度、健壮性、稳定性、算法简单等优点。最后,针对群体智能算法在求解0/1背包问题过程中所出现的缺陷,提出了群体智能算法在0/1背包问题求解需要进一步解决的几个问题。