基于蚁群优化算法的基因选择

将蚁群优化算法(ant colony optimization algorithm,ACO)引入基因选择领域,并用基因与类别的相关性分析所得值来初始化最优化问题,缩短了找寻最优解的时间;以基因子集整体的样本辨别能力与子集中基因之间的平均距离的线性表达作为目标函数,有利于在找到关键基因的同时消除冗余;同时,由于目标函数不采用分类准确度,大大降低了计算复杂度,提高了方法的灵活性和适应性。     

基于基因灵敏度信息和二进制微粒群优化的基因选择方法

为了得到低冗余度高识别率的基因子集,提出了一种耦合基因灵敏度信息的微粒群优化基因选择方法.首先,通过单隐层神经网络从微阵列数据中提取各个基因的基因—类别灵敏度值;其次,在基因聚类基础上,利用基因灵敏度信息滤除低灵敏度的基因;最后,将基因灵敏度信息编码进二进制微粒群优化算法作进一步基因选择.在两个公开的微阵列数据集上的实验结果表明,对比其他方法,由于充分考虑各个基因灵敏度信息,因此能够选出较少基因但分类性能更高的基因子集.     

基于蚁群优化特征选择的辐射源个体识别

辐射源个体识别技术可以为战场指挥官提供复杂电磁环境中辐射源个体特征,使得指挥官在数字化战场中获得优势。为提升辐射源个体识别的效率和效果,提出了一种基于蚁群优化特征选择的辐射源个体识别方法。以最大分类正确率和最小特征子集规模为目标,建立了特征选择数学模型,使用分类器的分类正确率作为特征选择的目标函数,设计了求解模型的蚁群算法。在实测的电台辐射源信号数据集上验证算法的有效性,实验结果表明方法对辐射源信号的分类正确率有较高提升。     

基于LightGBM和蚁群算法优化的特征选择方法

在处理高维特征数据时通常会面临冗余和不相关的问题,Relief作为一种传统的特征选择算法因其具有较高的稳定性和计算效率,从而被广泛应用。但其特征选择结果具有随机性,且对于特征之间存在较强依赖关系的数据集,如共线性等,可能会导致结果不准确。基于对特征选择方法的研究,给出了基于LightGBM和蚁群算法的L-ACO方法,使用LightGBM算法的特征重要性来表示L-ACO算法蚁群路径搜索过程的启发式信息。同时,使用特征之间的皮尔森相关系数来调整信息素浓度,以便更好地控制特征的相关性。实验证明,L-ACO方法可以在保证分类准确率的前提下,减少特征数量,降低特征冗余,并提高算法性能。     

基于蚁群优化的网络选择算法

随着通信技术的不断发展,越来越多的无线通信网络标准被制定出来。为了保护投资,平滑过渡,各种不同的无线通信网络必然将相互融合。终端在这样一个多网络覆盖的区域中如何选择所使用的网络就成为了一个研究的热点。然而,在已有的诸多网络算法中,无一不存在着参加判决的参数过多、算法过于复杂而导致终端的电力和处理能力消耗过多、没有较好考虑网络负载均衡的缺陷并且没有考虑终端的反馈机制。简要介绍异构融合网络场景下网络选择的相关内容,包括异构融合网络场景,已有的网络选择算法,蚁群优化及其特点。在此基础上,提出了一种全新的基于蚁群模型的网络选择算法（ANSA）。利用Matlab对所提出的ANSA的性能进行了仿真分析,与TOPSIS算法进行对比,证明了ANSA比已有的网络选择算法具有更好的负载均衡性能并且降低了终端的复杂度。     

基于聚类和微粒群优化的基因选择方法

在高维的基因表达谱数据中,只有少量基因对分类诊断其作用,而且还存在大量冗余的与癌症分类诊断无关的噪声基因,这些都会导致分类性能的下降。通过基因选择选取与分类紧密关联的基因,不仅能够剔除与疾病无关的基因,减少机器学习算法的时间复杂度和空间复杂度,提高分类的正确率,而且选出的特征基因可以作为肿瘤基因诊断和肿瘤药物治疗靶标确定的依据,降低后期生物学分析成本。本文提出一种基于聚类和粒子群算法（Particle swarm optimization,PSO）的基因选择方法,在PSO算法进行搜索之前,先对基因进行聚类,并对聚类结果进行选择,将被选中的簇的中心作为PSO的初始值,每个被选中的簇作为一个搜索空间,并利用极限学习机（Extreme learning machine,ELM）的分类精度作为特征选择的适应评价标准。该算法不仅有效地利用了聚类算法对基因进行初步归并的能力,也利用了PSO算法的全局优化能力,克服了传统PSO算法早熟、局部收敛速度慢的缺点,因此它能够高效地完成最优基因子集的确定,同时提高癌症分类正确率。     

基于基因重组的克隆选择算法

借鉴生物免疫系统的克隆选择机制,利用生物工程中基因重组技术,提出一种基于基因重组的克隆选择算法。根据抗体亲和力大小对抗体进行选择,获取优秀抗体的优秀基因片段,对抗体进行不同程度的基因重组,实现高频变异过程中的定向控制,避免种群退化,加快收敛速度,提高全局搜索范围,防止局部收敛。通过对复杂函数优化问题的仿真实验表明,基于基因重组的克隆选择算法(GRCSA)具有良好的收敛速度和较高的问题解的精度,证明新算法的有效性。     

基于蚁群优化的作业成本动因选择方法研究

蚁群优化算法已成功地应用于复杂优化同题的求解,但其在生产成本管理领域的应用还是一个新的研究课题.本文针对作业成本管理(ABCM)中的成本动因的选择问题,建立了基于蚁群优化算法的成本动因的模型,并提出了一种基于蚁群优化算法的成本动因选择的方法体系.最后设计了一个成本动因选择系统,有效解决了作业成本动因难于选择的问题,充分发挥了利用作业成本管理达到降低成本、合理使用资源与提升利润的作用.     

基于粗糙集与蚁群优化算法的特征选择方法研究*

已有的基于蚁群优化算法的特征选择方法是从随机点出发,寻找最优的特征组合。讨论和分析了粗糙集理论中的特征核思想,结合蚁群优化算法的全局寻优特点,以特征重要度作为启发式搜索信息,提出从特征核出发基于粗糙集理论与蚁群优化的特征选择算法,简化蚁群完全图搜索的规模。在标准UCI数据集上进行测试,实验验证了新算法对于特征选择的有效性。     

基于聚类和微粒群优化的基因选择新方法

鉴于传统的基因选择方法会选出大量冗余基因从而导致较低的样本预测准确率,提出一种基于聚类和微粒群优化的基因选择算法。首先采用聚类算法将基因分成固定数目的簇;然后,采用极限学习机作为分类器进行簇中的特征基因分类性能评价,得到一个备选基因库;最后,采用基于微粒群优化和极限学习机的缠绕法从备选基因库中选择具有最大分类率、最小数目的基因子集。所选出的基因具有良好的分类性能。在两个公开的微阵列数据集上的实验结果表明,相对于一些经典的方法,新方法能够以较少的基因获得更高的分类性能。     

旅客列车线路选择的蚁群算法求解

高速铁路建成后客运通道内的线路组成要素及线路功能将发生较大变化,旅客列车在通道内的线路选择方案也需要进一步优化。采用蚁群算法（ACO）对旅客列车的线路选择进行了设计,给出了转移概率及信息量更新方法,并采用对每个蚁群单独寻优的思路,制定了相应的求解策略。经过实例验证,取得了较好的结果,为今后基于路网条件下的旅客列车线路选择方案决策优化提供了一种新的参考方法。     

基于克隆选择原理的基因表达式程序设计

提出了一种基于免疫克隆选择算法的基因表达式程序设计混合算法(CS-GEP).基因表达式程序设计(GEP)是一种新近提出的遗传程序设计方法,已逐渐成为演化计算新的分支.GEP最为重要的优点在于其具有很强的表达能力,而如何充分利用GEP易操作的特点,提高GEP的群体搜索能力是研究较少的一个重要内容.CS-GEP方法借鉴免疫克隆选择原理重新设计了一种克隆选择学习策略替代原GEP算法的遗传算法搜索策略,数值实验结果表明,CS-GEP较GEP具有更好的问题求解能力.     

基于人工选择的组合电路优化算法

针对一般组合电路的优化算法复杂、优化过程时间长、优化效率偏低等问题,提出一种人工选择方式下的组合电路优化算法。该算法模拟物种进化时的家养模式,将最小项作为基因,函数表达式作为染色体,把逻辑电路的优化过程演变为遵循电路定律的基因变异、重组、寻优的过程。算法通过有利的变异条件,提高了算法的收敛速度和效率。通过与简单免疫、多目标遗传、自适应免疫算法的实验比较,证明了该算法的有效性和优越性。     

基于MDA-RS算法的特征基因选取方法*

建立病变组织分类模型的关键在于找出一组能准确区分样本类别的特征基因。糙集理论中的属性依赖度分析方法能对目标数据进行有效分析。基于属性间的依赖关系和属性对决策的影响存在这样的关系,即属性依赖度越大,属性就越重要,对决策划分的影响就越大,提出了一种属性最大依赖度(maximum dependency of attributes based on rough sets,MDA-RS)算法,并将其应用于特征基因选取。首先用启发式K-均值聚类算法对基因进行聚类分析得到类数为k的基因子集;然后用MDA-RS选出每类的     

一种基于新的特征选择的海量网络文本挖掘算法研究

为了提高文本自动分类准确率,提出一种改进的蜂群优化神经网络的选择特征的文本数据挖掘算法.该算法将文本特征选择转换成一个多目标优化问题,以特征维数最少、分类正确率最高为选择标准,采用蚁群算法找到最优特征子集,最后神经网络建立文本自动分类器,进行仿真实验测试算法性能.仿真实验结果表明,提出的方法从高维文本最优文本特征,提高了文本自动分类的正确率和识别效率,是一种有效的网络文本挖掘算法.     

基于离散粒子群和支持向量机的特征基因选择算法

基因芯片表达谱信息,为识别疾病相关基因及对癌症等疾病分型、诊断及病理学研究提供一新途径。在基因表达谱数据中选择特征基因可以提高疾病诊断、分类的准确率,并降低分类器的复杂度。本文研究了基于离散粒子群(binary particle swarm optimization,BPSO)和支持向量机(support vector machine,SVM)封装模式的BPSO-SVM特征基因选择方法,首先随机产生若干种群(特征子集),然后用BPSO算法优化随机产生的特征基因,并用SVM分类结果指导搜索,最后选出最佳适应度的特征基因子集以训练SVM。结果表明,基于BPSO-SVM的特征基因选择方法,的确是一种行之有效的特征基因选择方法。     

基于多目标EDA的特征基因选择*

基因（特征）数远大于条件（样本）数,基因表达数据中往往存在大量噪声,并且生物学或医学工作者期 望能从大量的基因中挑选出与疾病诊断有关的标志基因,因此,应用基因表达数据进行疾病分类预测的关键环 节是基因选择。目前常用的方法有过滤法和缠绕法。结合过滤法和缠绕法的优点,提出基因选择的多目标分布 估计算法（MOEDA）。首先通过打分函数确定MOEDA的候选基因集合,在确定候选基因后,MOEDA通过对 KNN分类器的多个性能指标及基因数目等多个目标进行优化,从候选基因中选取综合区分能力最强的特征基 因子集