基于改进量子进化算法的特征选择

特征选择作为一种数据预处理技术被广泛研究,由于其具有NP难度而一直无法找到有效的求解方法。鉴于目前在特征选择中应用较多的遗传算法存在进化机制上的局限,将量子进化算法应用于特征选择,提出了一种基于改进量子进化算法的特征选择算法。以增加种群多样性和提高寻优性能为目标改进了量子进化算法,以Fisher比和特征维度为特征子集的评价准则构造了适应度函数,按照量子进化算法求解优化问题的步骤设计了特征选择算法。使用UCI数据库中的数据集对三种算法作对比验证,通过识别重要特征、提高学习算法性能、特征选择效率三组实验,结果表明,该算法能够识别出重要特征,并随着数据集特征维度升高,特征选择的性能逐渐优于对比算法,到了高维数据集,特征选择效率明显优于对比算法。     

基于量子进化算法的路由选择

网络中存在许多设计和优化问题,其中相当一部分属于NP类型。传统的解法由于计算复杂度过大而失效。为了降低计算机网络的时延和运营费用以改进网络性能,采用量子进化算法优化计算机网络中路由选择问题,深入研究了量子进化算法及其在路由选择优化问题中的应用,并对量子进化算法进行了改进,使之更适合这类问题的求解。仿真实验结果表明,同传统优化算法相比该方法对求解网络的路由选择具有很大优越性。研究结果不仅对各类网络的优化问题有一定的应用价值,而且也扩展了量子进化算法的应用范围。     

基于量子进化算法的网络入侵检测特征选择

针对当前网络入侵检测中普遍存在检测速度较慢的缺陷,提出了一种新的网络入侵检测特征选择方法。该方法将量子进化算法应用于网络入侵检测的特征选择,从网络连接的原始特征属性中选出一组有效的特征用于入侵检测,以提高检测效率。首先以增强寻优性能为目标改进了量子进化算法,基于特征属性的Fisher比构造了特征子集的评价函数,然后按照量子进化算法的流程设计了网络入侵检测特征选择算法。通过KDD99样本数据集的实验,表明算法是有效的,既保证了入侵检测的分类性能,也提高了入侵检测的效率。     

优化网络入侵特征库的量子进化算法

针对网络入侵检测系统中入侵特征库的性能普遍较差的缺点,提出了一种优化网络入侵特征库的改进量子进化算法（IQEA）。采用特征向量表示染色体结构,借鉴小生境协同进化思想初始化种群,以个体的匹配程度设计适应度函数,使用动态更新和“优体交叉”策略进化种群。仿真实验表明,IQEA的寻优能力和收敛速度均优于量子进化算法和进化算法,经IQEA优化后的入侵特征库,检测能力强,并具有较好的自适应性。     

计算机网络路由选择中改进量子进化算法的应用

数据化时代的到来使得信息资源以数据的形式进行传递和保存,而互联网技术也已经普及到各个领域和生活的各个角落,为人们的信息传递和保存带来方便的同时,也存在着信息的安全隐患,网络路由的选择便是其中的因素之一,如何选择网络路由才能提高互联网通信的效率,是技术人员需要积极思考和应对的问题.以量子进化算法的分析为基础,说明了选择计算机通信网络的高效路由,并阐述了改进量子进化算法的应用技术.     

进化算法的选择机制分析

一、引言进化算法(EA)是受自然进化所启发的搜索和优化技术,它包括:遗传算法(GA),进化规划(EP),进化策略(ES),和遗传编程(GP)。 GA是John Holland〔,]等人于1975年在美国密歇根大学应用自然选择过程来解决机器学习问题时提出的,它在于搜索有高的适应值的基因结构;ES在于搜索与适应值函     

基于粗集理论的特征子集选择算法

1.引言长期以来,特征子集选择技术一直是机器学习领域中的关键难题之一。由于学习对象的多样性,尤其是新的系统随着应用的发展而不断涌现,使人们无法用某种特定的工具或方法来完全解决这一问题,新的特征子集选择技术仍然受到人们广泛关注。20世纪80年代初,波兰数学家Z.Pawlak提出一种新的理论工具——“粗集”,用于解决不完整和不精确信息的知识表达、学习及归纳等问题。这一理论的特点是:除了问题所需处理的数据之外,不需要额外提供任何外界信息或     

基于克隆选择和量子进化的GEP分类算法

基于基因表达式编程(GEP)的分类算法具有较高的精度,但易陷入局部最优,且搜索时间长.为进一步提高GEP分类算法的分类能力,提出了基于克隆选择和量子进化的GEP分类算法——ClonalQuantum—GEP.该算法通过量子种群的更新和探测影响抗体种群的搜索方向和进化能力,并通过记忆池保持最优解,使其具有更好的种群多样性、更强的全局寻优能力和更快的收敛速度.在几个标准数据集上的实验验证了算法的有效性.与基本的GEP算法相比,ClonalQuantum-GEP能以较小的种群规模和较少的进化代数获得较理想的分类效果.     

基于克隆选择和量子进化的GEP分类算法

基于基因表达式编程(GEP)的分类算法具有较高的精度,但易陷入局部最优,且搜索时间长。为进一步提高 GEP分类算法的分类能力,提出了基于克隆选择和量子进化的GEP分类算法—C1onalQuantum-GEP。该算法通过 量子种群的更新和探测影响杭体种群的搜索方向和进化能力,并通过记忆池保持最优解,使其具有更好的种群多样 性、更强的全局寻优能力和更快的收敛速度。在几个标准数据集上的实验验证了算法的有效性。与基本的GEP算法 相比,C1onalQuantum-GEP能以较小的种群规模和较少的进化代数获得较理想的分类效果。     

计算机网络路由选择中改进量子进化算法的应用

本文针对目前计算机网络最佳路由选择算法中在寻优性能和收敛性能上的不足,提出了改进计算机路由选择的量子进化算法,以传统的量子进化算法为基础,对旋转角采取相应的调整措施,对此进行优化,进而提高搜索速度和寻优精度,并以量子的空间位置和相位角来优化调整旋转角的方向。     

采用灰色码观测的量子进化算法

针对传统量子进化算法采用二进制观测机制,导致量子波动幅度较大且连续观测到相邻实数概率低的问题,本文提出了一种采用灰色码观测机制的量子进化算法.由于量子擅长全局搜索,灰色码擅长局部搜索,因此所提出的算法能较好平衡勘探和开采能力,量子进化更加平滑和高效.通过实验表明,算法能有效避免早熟和局部极值等问题,算法的精度更高,收敛速度更快.     

求解背包问题的混合量子进化算法

针对量子进化计算中反馈信息利用不充分并容易早熟的不足,将量子进化计算与及蚂蚁寻优策略融合,提出了一种新的优化方法—混合量子进化算法(HQEA).以量子染色体表示智能蚂蚁所有可能的搜索路径,初始阶段采用量子进化学习,设计了智能蚂蚁网络及衔接算子,进化学习所得结果表示智能蚂蚁路径选择的概率,并利用蚁群寻优策略继续搜索求精确解.理论证明该算法具有全局收敛性.最后以背包问题对算法进行了测试.     

一种基于特征选择的不平衡数据分类算法

不平衡数据分类是当前机器学习的研究热点,传统分类算法通常基于数据集平衡状态的前提,不能直接应用于不平衡数据的分类学习.针对不平衡数据分类问题,文章提出一种基于特征选择的改进不平衡分类提升算法,从数据集的不同类型属性来权衡对少数类样本的重要性,筛选出对有效预测分类出少数类样本更意义的属性,同时也起到了约减数据维度的目的.然后结合不平衡分类算法使数据达到平衡状态,最后针对原始算法错分样本权值增长过快问题提出新的改进方案,有效抑制权值的增长速度.实验结果表明,该算法能有效提高不平衡数据的分类性能,尤其是少数类的分类性能.     

基于强化学习的特征选择算法

针对在数据挖掘过程中存在的维度灾难和特征冗余问题,本文在传统特征选择方法的基础上结合强化学习中Q学习方法,提出基于强化学习的特征选择算法,智能体Agent通过训练学习后自主决策得到特征子集.实验结果表明,本文提出的算法能有效的减少特征数量并有较高的分类性能.     

一种改进离散度的特征选择方法

降维在机器学习中起着至关重要的作用。而降维的方法主要有两类:特征选择和特征提取。离散度方法是特征选择中常用的一种方法,通过计算每个特征的离散度来选择特征,被选择的特征一般都具有较高的离散度值。但是离散度的计算没有考虑到特征间的相互影响。通过改进离散度的计算,不单考虑到类间相同特征对离散度的影响,还考虑到不同特征之间的离散度影响。在UCI数据集上的实验证明,改进离散度的特征选择具有较好的性能。     

Genetic Programming with a Genetic Algorithm for Feature Construction and Selection

The use of machine learning techniques to automatically analyse data for information is becoming increasingly widespread. In this paper we primarily examine the use of Genetic Programming and a Genetic Algorithm to pre-process data before it is classified using the C4.5 decision tree learning algorithm. Genetic Programming is used to construct new features from those available in the data, a potentially significant process for data mining since it gives consideration to hidden relationships between features. A Genetic Algorithm is used to determine which such features are the most predictive. Using ten well-known datasets we show that our approach, in comparison to C4.5 alone, provides marked improvement in a number of cases. We then examine its use with other well-known machine learning techniques.     

基于Filter Wrapper模式的特征选择算法*

特征选择是数据挖掘、机器学习和模式识别中始终面临的一个重要问题。针对类和特征分布不均时,传统信息增益在特征选择中存在的选择偏好问题,本文提出了一种基于信息增益率与随机森林的特征选择算法。该算法结合Filter和Wrapper模式的优点,首先从信息相关性和分类能力两个方面对特征进行综合度量,然后采用序列前向选择（Sequential Forward Selection, SFS）策略对特征进行选择,并以分类精度作为评价指标对特征子集进行度量,从而获取最优特征子集。实验结果表明,本文算法不仅能够达到特征空间降维的效果,而且能够有效提高分类算法的分类性能和查全率。     

基于结构化多视图稀疏限定的 监督特征选择算法研究

为了有效利用多视图数据信息提升监督特征选择的性能,构建了一种结构化多视 图稀疏限定,并基于该稀疏限定提出了一种监督特征选择方法,即结构化多视图监督特征选择 方法(SMSFS)。该方法在特征选择过程中能够同时考虑不同视图特征的重要性以及同一视图中 不同特征的重要性,从而有效的结合多视图数据信息,提升监督特征选择的性能。SMSFS 目标 函数是非凸的,设计了一个有效的迭代算法对目标函数进行求解。将所提结构化多视图监督特 征选择方法 SMSFS 应用到了图像标注任务,在 NUS-WIDE 和 MSRA-MM2.0 图像数据库上进 行了实验,并与其他特征选择算法进行了比较,实验结果表明该算法能够有效结合多视图数据 信息,提升特征选择性能。     

基于覆盖算法决策界的特征选择算法

特征选择是模式识别系统的分类器设计之前一个重要而困难的一个课题。在目前现有的方法中,基于决策界的特征选择是其中一类方法。文中将覆盖算法应用于特征提取,提出了基于覆盖算法决策界的特征选择算法(Feature SelectionAlgorithm based on the Decision Boundary of Covering Algorithm,简称FSACA法),然后将该算法应用于一个字符识别的实例并与其他算法比较。实验结果证明了FSACA法的可行性和有效性。     

基于粗糙集和改进鲸鱼优化算法的特征选择方法

随着互联网和物联网技术的发展,数据的收集变得越发容易。但是,高维数据中包含了很多冗余和不相关的特征,直接使用会徒增模型的计算量,甚至会降低模型的表现性能,故很有必要对高维数据进行降维处理。特征选择可以通过减少特征维度来降低计算开销和去除冗余特征,以提高机器学习模型的性能,并保留了数据的原始特征,具有良好的可解释性。特征选择已经成为机器学习领域中重要的数据预处理步骤之一。粗糙集理论是一种可用于特征选择的有效方法,它可以通过去除冗余信息来保留原始特征的特性。然而,由于计算所有的特征子集组合的开销较大,传统的基于粗糙集的特征选择方法很难找到全局最优的特征子集。针对上述问题,文中提出了一种基于粗糙集和改进鲸鱼优化算法的特征选择方法。为避免鲸鱼算法陷入局部优化,文中提出了种群优化和扰动策略的改进鲸鱼算法。该算法首先随机初始化一系列特征子集,然后用基于粗糙集属性依赖度的目标函数来评价各子集的优劣,最后使用改进鲸鱼优化算法,通过不断迭代找到可接受的近似最优特征子集。在UCI数据集上的实验结果表明,当以支持向量机为评价所用的分类器时,文中提出的算法能找到具有较少信息损失的特征子集,且具有较高的分类精度...