[研究生论坛]自适应多重Baldwin克隆选择算法

提出一种自适应多重Baldwin克隆选择算法(SAMBCSA)用以改善经典克隆选择算法(CLONALG)针对复杂多峰优化时精度不足的问题。通过学习不同抗体之间的优势差异信息引导免疫变异,挖掘潜在优势解区域方向,增强免疫进化能力。设计了免疫响应策略库,并引入基于统计的自适应学习框架以使算法可自适应选择不同的免疫响应策略应对不同的问题,增强算法普适性。分析了算法的时间复杂度,并说明了算法的收敛性。针对16个最新测试函数的仿真实验表明,对于多数复杂多峰优化问题,SAMBCSA的求解质量和收敛速度优于标准免疫克隆选择算法等已有算法。     

采用正交免疫克隆粒子群算法求解SAT问题

根据Kennedy和Eberhart提出的二进制粒子群算法,基于抗体克隆选择理论提出一种求解合取范式可满足问题的粒子群算法——正交免疫克隆粒子群算法．该算法将合取范式可满足问题转换为求解目标函数最小值的优化问题,为提高收敛速度,根据子句的先验知识计算出个体的初始指派概率对种群进行初始化．为了避免算法早熟收敛,提高粒子群个体解分布的均匀性,将离散正交交叉算子用于免疫基因操作中,并给出适应于求解合取范式可满足问题的免疫粒子群进化算子．实验采用标准SATLIB库中变量个数从20~250的3700个不同规模的标准合取范式可满足问题对正交免疫克隆粒子群算法的性能作了全面的测试,并与标准粒子群算法和免疫克隆选择算法进行了比较．结果表明,正交免疫克隆粒子群算法的成功率在3个算法中最高,运行时间和评价次数最少．     

自适应免疫克隆选择算法的参数识别

提出了一种被称为是自适应免疫克隆选择算法的新型人工免疫算法,此方法可进行系统的参数识别,以解决结构的多目标优化问题.此种算法将二阶响应、适应性变异准则和疫苗因子这三种算子都引入到遗传克隆选择算法中,提高了运算的收敛速度及全局优化搜索能力.对动力系统参数识别的模拟识别结果证明了本文所提出算法的有效性与可行性.     

并行免疫克隆特征选择算法

针对模式识别中传统的封装式特征选择算法,难以得到较好的特征子集和复杂度较高的分类器评价特征子集的耗时问题,提出了一种用于特征选择的并行免疫克隆算法,采用免疫克隆算法搜索特征,并利用并行算法评价特征子集,即将种群中个体的适应度计算并行在多个计算节点上同时进行．将该算法在Linux刀片集群上基于MPICH软件对UCI数据集进行特征子集选择算法仿真,特征子集采用最近邻分类并采用留一法验证评价．结果表明该算法选出的特征子集优于经典的顺序浮动前向搜索算法和标准遗传算法,与串行算法运行时间相比,在40个CPU时其加速比最高可达29.57．     

用于求解多目标优化问题的克隆选择算法

提出一种用于求解多目标优化问题的新算法,将抗体群中的抗体分为支配抗体和非支配抗体代替传统算法中对所有个体分配适应度值,以适应多目标优化问题存在一系列无法相互比较的Pareto-最优解的特点;对非支配抗体进行选择,有利于算法向着理想Pareto-前端搜索,而且加快了收敛速度;克隆操作实现了全局择优,有利于得到分布较广的Pareto-前端;采用非一致性变异操作以提高算法的局部搜索能力,有利于所得解的多样性．与已有算法相比,新算法所得的最优解分布最广,很大程度上支配着其他算法得到的最优解,评价指标S降低到了3%以下．     

多载波系统多用户信号检测的一种新方法

为了解决多载波直扩码分多址（MC—DS—CDMA）系统中的多址干扰问题,将克隆选择算法应用于该系统的多用户信号检测,充分利用免疫理论中的克隆选择算法组合优化的能力,来同时确定每一个用户传输的符号位．研究结果表明,该检测方法不仅克服了该系统的多址干扰,而且通过调整算法的参数,可以在检测时间和系统平均误码性能间进行均衡．与最佳多用户检测器相比明显降低了计算复杂度,在相同带宽相同检测算法的条件下,获得了比DS—CDMA系统更好的特性．     

免疫克隆优化聚类技术

将人工免疫系统中的克隆选择优化应用于无监督分类与识别问题,提出了一种新的免疫克隆聚类算法.该算法利用克隆算子能够同时在同一父代抗体周围的多个方向进行全局或局部搜索,促使种群中抗体快速进化,从而在特征空间内快速获得聚类问题的全局最优聚类中心,有效克服了经典聚类算法易陷入局部极值的缺点,并从理论上证明了该算法具有全局收敛性．对7个人工数据集的聚类实验和两幅纹理图像的分割实验表明:新算法比常用的K均值算法的平均分类精度高20.9％,比另一种基于遗传算法的聚类方法的平均分类精度高20.3％．     

一种新的免疫克隆选择算法在多峰寻优中的应用

为了解决Castro克隆选择算法中存在的种群规模需根据经验确定、多峰搜索能力弱、训练时间长的问题,提出了一种新的免疫克隆选择算法,该算法基于一个压缩阈值和新的收敛标准,能够动态确定种群大小,具有很强的全局和局部搜索能力,可以搜索到全局最优点和尽可能多的局部极值点.与Castro克隆选择算法相比,多峰搜索的成功率提高了1.2倍、平均迭代次数减少了一半.仿真实验的结果也表明该算法在平均运行时间减少了56%的情况下多峰函数的优化效果得到了显著改善.     

用于全局优化问题的混合免疫进化算法

为了克服免疫算法在优化高维多峰函数时存在的早熟收敛问题,提出一种高效的混合免疫进化算法．动态克隆扩张、基于学习机制的超变异和多母体交叉是该算法的主要特点．同时,提出了一种算法性能评价准则,以比较不同算法在优化高维函数时的性能．在实验部分,首先使用经典测试函数测试了混合免疫进化算法的性能;然后,分别在不同的评估次数下比较了自适应差分进化、基本免疫算法和混合免疫进化算法,结果表明免疫进化算法在求解精度、稳定性等方面均明显优于前两种算法．     

一种解决函数优化问题的免疫算法

介绍了免疫算法的基本概念，以及人工免疫系统中的克隆选择原理，基于该原理，结合遗传策略中的高斯变异算子，提出一种免疫算法来解决函数优化问题。给出了算法的描述，数值实验中选择了几个函数进行优化，并将实验数据结果与传统的遗传算法进行了比较。数据实验结果表明，该免疫算法能够寻找到更优的优化结果，并且在收敛速度上明显优于传统的遗传算法。     

马氏田口系统的量子行为二进制粒子群特征选择优化方法

针对标准二进制粒子群用于马氏田口系统的特征选择优化时,存在迭代速度慢,容易陷入局部最优解等不足,提出一种改进的基于量子行为二进制粒子群的马氏田口系统变量选择优化方法。首先,为了规避可能存在的复共线性特性对距离度量结果的影响,本研究采用Gram-Schmidt正交化法计算马氏距离值,对系统进行标准化处理,对各属性向量进行正交化后计算各类别的马氏距离集合,通过ROC曲线确定系统分类的最佳阈值点,定义误分类率概念和被选择变量占比最小作为变量筛选标准,构建多目标的混合规划模型。运用改进的量子行为粒子群算法求解优化组合,为适应二值化的变量优化问题,算法基于概率对粒子进行二进制编码,求取目标函数的适应值,并完成粒子群的优化迭代过程。采用优化的变量组合,构建精简的马氏田口系统,建立度量预测模型,完成精确判别的任务。最后,以胎心分娩力造影术测量的胎儿健康诊断为例,对标准二进制粒子群算法和二进制量子粒子群优化算法进行对比验证,实验结果表明,本文方法可以有效地提升粒子的迭代速度和寻优精度,优化后的马氏田口系统的预测准确率明显提高。     

Unsupervised Feature Selection Using Structured Self-Representation

基于结构化自表达的无监督特征选择方法

刘彦北1, 刘开华1 ,王啸² ,张长青³ ,唐先超³

（1．天津大学 电子与信息工程学院,天津 300072;

2. 清华大学 计算机科学与技术系, 北京 100084;

3. 天津大学 计算机科学与技术学院,天津 300072）

创新点说明：

1） 将数据特征的局部结构信息引入到特征自表达模型中,使得选取的特征更具有代表性;

2） 提出一种简单而有效的算法以优化所提目标函数。

摘 要：

在机器学习中,面对大量的高维的无标记数据,无监督特征选择已经成为一个重要且具有挑战性的问题。同时考虑数据特征的自表达属性和局部结构信息,提出一种新颖的结构化自表达的无监督特征选择方法。具体地讲,采用数据特征的固有自表达属性,可以选择代表性的特征。同时,为了提高选取的准确性,探索了局部结构信息约束,使得特征相近则特征之间的表达系数也相近。此外,提出一个有效的算法以优化所提目标函数。最后,一个合成数据集和六个实际数据集（包括生物医学数据,数字字母识别数据和图像数据）上的实验结果表明,相比于目前的主流算法,本文所提算法具有优越性。

关键词：无监督特征选择;局部结构;自表达属性;高维数据

     

改进的无监督同时正交基聚类特征选择

提出了一种改进的同时正交基聚类特征选择(Improved Unsupervised Simultaneous Orthogonal Basis Clustering Feature Selection,ISOCFS)方法。为有效地对无标签数据进行特征选择,利用目标矩阵来设计正则化的回归模型。目标矩阵通过正交基聚类,获取投影数据点的潜在聚类中心,引导投影矩阵选择判别性的特征。与先前的无监督特征选择方法不同,ISOCFS并不使用数据点预先计算局部结构信息描述目标函数,而是利用目标矩阵进行正交基聚类直接计算潜在的聚类信息。其次,为了减少噪声信息对估计目标矩阵和投影矩阵的干扰,在先前方法基础上,该方法增加了噪声项。另外,该方法利用简单的优化算法即可求解。最后,通过四个常见的微阵列基因表达数据集及五种最近的无监督特征选择方法进行对比实验,证明了ISOCFS方法可以获得更好的聚类效果。     

新颖的无监督特征选择方法

针对有监督特征选择方法因为需要类信息而无法应用于文本聚类的问题,提出了一种新的无监督特征选择方法: 结合文档频和K-Means的特征选择方法。该方法首先使用文档频进行无监督特征初选,然后再通过在不同K-Means聚类结果上 使用有监督特征选择方法来实现无监督特征选择。实验表明该方法不仅能够成功地选择出最为重要的—小部分特征,而且还 能提高聚类质量。     

联合低秩表示与图嵌入的无监督特征选择

大数据应用带来高维数据急剧增加,数据降维已成为重要问题.特征选择降维方法已广泛应用于模式识别领域,近年来提出了许多基于流形学习的特征选择方法,然而这类方法往往容易受到各种噪声影响.对此,本文提出一种联合低秩表示和图嵌入的高效无监督特征选择方法（JLRRGE）.通过低秩表示寻找数据在低秩子空间下的表示,降低噪声的影响从而提高算法的鲁棒性,并通过自适应图嵌入方法,使选择特征保持原有的局部关系.实验结果表明,本文提出算法的分类准确率优于其他对比算法.     

一种基于聚类集成的无监督特征选择方法

提出了一种无监督的特征选择方法,其基本思想是利用聚类来指导特征选择,对于无类别标签的数据样本集,先进行聚类获得数据类标签,再利用ReliefF算法进行特征选择．采用聚类集成方法解决一些聚类结果的不稳定问题,最终特征选择结果通过多次特征选择综合得到．实验结果表明,该算法具有良好的特征选择性能,在去除无关或冗余特征后可进一步提高聚类质量．     

基于相关性分析的基因选择算法

常用的排列法从微阵列数据中选择的基因集合会包含相关性较高的基因,这会影响分类器的性能,为了去除这些冗余基因(特征),提出了无监督的特征选择算法.该算法主要包含:将原始特征集划分为一组相似的子集(聚类);从每个聚类中选择代表性特征.特征的划分采用特征间的相关性作为测度以k近邻原则来完成.该算法无需指定聚类数量,时间复杂度低.真实的生物学数据实验证明该算法可显著提高分类器的分类准确性.     

联合图嵌入与特征加权的无监督特征选择

在特征选择领域,现有的大多数方法不能同时捕获不同特征有差异的权重,?不能对投影子空间施加正交约束来提高特征的判别力.为此,?本文提出联合图嵌入与特征加权的无监督特征选择方法(Joint?Graph?Embedding?and?Feature Weighting,?JGEFW).首先,?通过图嵌入局部结构学习获得相似度矩...     

基于冗余分析的特征选择算法

针对冗余特征判定难题,分析了特征和特征之间的相关性以及特征和目标值之间相关性的联系,给出了判定冗余特征的准则,在此基础上给出了近似冗余特征的定义,并提出了一种基于冗余分析的特征选择算法.算法分2步去除无关特征和冗余特征.实验结果表明,所提出的特征选择算法能有效降低特征维数,提高预测准确率.     

动态联盟伙伴选择的优化算法

伙伴选择及优化已成为建立动态联盟的关键环节之一,关系到动态联盟的成败.本文在对动态联盟中伙伴选择问题的复杂性、混合性进行分析的基础上,根据盟员企业项目之间的关系,将问题分解为链式(面向产品制造/装配)和并行(面向生产能力/技术创新)两类,并建立了问题的多目标组合模型,通过候选企业的筛选和确定优化组合方案,优化了模型求解过程,并通过一个模具制造的算例验证了该方法的有效性.