人工蜂群算法优化的特征选择方法

在分类问题中,数据之间存在的大量冗余、不相关的特征不仅不能增加分类准确率,反而会降低分类算法执行的速度。特征选择通过最大化分类正确率和最小化特征数来解决这个问题,由于这是两个相互矛盾的目标,因此可以将特征选择问题视为一种多目标优化问题。为了提升特征选择的效率,提出了一种基于Knee Points的改进多目标人工蜂群算法的特征选择方法(artificial bee colony algorithm based on Knee Points,KnABC),设计了一种快速识别Knee Points的方法,并改进了引领蜂和引领蜂算子。与其他经典多目标算法在11个UCI测试数据集上的特征选择实验结果表明,提出的算法在减小分类特征数、增大分类结果准确率方面具有显著效果。     

基于混合ABC和CRO的高维特征选择方法

高维数据集包含了成千上万可用于数据分析和预测的特征，然而这些数据集存在许多不相关或冗余特征，影响了数据分析和预测的准确性。现有分类技术难以准确地识别最佳特征子集。针对该问题，提出了一种基于wrapper模式的特征选择方法AB-CRO，该方法结合了人工蜂群算法（ABC）和改进的化学反应算法（CRO）的优点进行特征选择。针对迭代过程中较优的个体可能在化学反应过程中被消耗掉的现象，适当地加入精英策略来保持种群的优良性。实验结果表明，AB-CRO算法在最佳特征子集的识别和分类精度方面相对于基准算法ABC，CRO以及基于GA，PSO和混合蛙跳算法都所有改进。     

融合Shapley值和粒子群优化算法的混合特征选择算法

针对在模式分类问题中,数据往往存在不相关的或冗余的特征,从而影响分类的准确性的问题,提出一种融合Shapley值和粒子群优化算法的混合特征选择算法,以利用最少的特征获得最佳分类效果。在粒子群优化算法的局部搜索中引入博弈论的Shapley值,首先计算粒子（特征子集）中每个特征对分类效果的贡献值（Shapley值）,然后逐步删除Shapley值最低的特征以优化特征子集,进而更新粒子,同时也增强了算法的全局搜索能力,最后将改进后的粒子群优化算法运用于特征选择,以支持向量机分类器的分类性能和选择的特征数目作为特征子集评价标准,对UCI机器学习数据集和基因表达数据集的17个具有不同特征数量的医疗数据集进行分类实验。实验结果表明所提算法能有效地删除数据集中55%以上不相关的或冗余的特征,尤其对于中大型数据集能删减80%以上,并且所选择的特征子集也具有较好的分类能力,分类准确率能提高2至23个百分点。     

改进混合二进制蝗虫优化特征选择算法

特征选择是从数据集的原始特征中选出最优或较优特征子集,从而在加快分类速度的同时提高分类准确率.提出了一种改进的混合二进制蝗虫优化特征选择算法:通过引入步长引导个体位置变化的二进制转化策略,降低了进制转换的盲目性,提高了算法在解空间中的搜索性能;通过引入混合复杂进化方法,将蝗虫群体划分子群并独立进化,提高了算法的多样性,...     

多选择背包问题离散狼群算法研究

狼群算法是一种通过模拟狼群的捕食行为和猎物分配方式提出的群体智能算法,为求解复杂组合优化问题提供了一种新的思路。目前狼群算法不能解决离散问题,以NP难中的经典问题——多选择背包问题的求解为研究对象,设计了基于离散空间的狼群算法。对于离散空间的狼群算法,通过将人工狼编码,重新设计了狼群的游走、奔袭和围捕过程,并设计了三个过程中的步长。把学习机制引入离散狼群算法,实现了人工狼之间的交流,且确立了自适应步长公式。结果表明：离散狼群算法成功实现了对离散问题的求解,为组合优化问题的求解提供了新方法。     

特征选择的优化算法研究

目标识别成为战争胜败的关键,而对目标识别的关键之一是对目标特征的提取与选择.因此,特征的选择尤为重要.为了提高效率,通过一种算法选择较少（优化）的特征是所希望的.鉴于此该文简单介绍基于扩张矩阵与粗集理论的算法、启发式搜索算法、自适应神经网络、混沌神经网络等几种典型特征选择的优化算法的原理,并比较它们的性能,在此基础上提出了一种结合混沌神经网络和自适应神经网络的特征选择的改进方法,并对其原理进行简单介绍.最后用MATLAB编程验证启发式搜索算法特征选择的有效性.     

混合自适应引力搜索优化的特征选择方法

特征选择在许多领域具有重要作用,提出一种基于混合自适应引力搜索算法的特征选择方法,在最大化分类精度的同时从数据样本中选出最小特征子集。算法设计两种解更新策略进行组合式搜索,引入群体约简方法,有效地平衡算法的全局搜索和局部收敛能力,同时提出自适应调控参数,减少参数设置对算法性能的影响。在七组真实数据集中的实验结果表明,从分类精度、特征子集大小和运行时间三方面比较,提出的方法优于原始算法和已有相近算法,具有良好的综合性能,是一种有效的特征选择方法。     

三级领导式的快速自适应狼群优化算法

为提高狼群算法的收敛速度，在此提出了一种称为三级领导式和微粒进化方程的自适应狼群算法，人为地把灰狼分成两类，领导层三只灰狼：如[α、][β]和[δ]，剩下的为猛狼[w]。在游走搜索阶段随机设定一个猎物位置，利用狼群与猎物之间的距离来指导游走搜索猎物；在召唤阶段，利用三个领导层灰狼作为头狼来引导猛狼向猎物靠近，避免了传统狼群算法只有一只头狼引导整个狼群就容易陷入局部最优的情况；在围攻猎物阶段利用惯性因子来表示以往奔袭的经验、学习因子与随机数之间的乘积来表示猛狼自身经验的认识与总结、迭代影响因子来表示整体狼群经验的认识与调整，综合起来狼群粒子奔袭速度加快收敛速度和跳出局部最优，从而找到真实的整体最优值。本次选取的8个测试函数对应的对比性实验结果表明：该方法较为精确地实现寻找到了测试函数的最优值且较早地快速收敛到最优解，在后期也平稳收敛到真实的最优值，该算法适用于多维多波峰函数求极值问题。     

结合头脑风暴优化的混合蚁群优化算法

特征选择能够有效提升数据分类的性能.为了进一步提升蚁群优化(ACO)在特征选择上的求解能力,提出一种结合头脑风暴优化的混合蚁群优化(ABO)算法.该算法利用信息交流档案维护历史较好解,并通过基于松弛因子的时间最久优先方法动态更新档案.当ACO的全局最优解多次未更新时,采用基于Fuch混沌映射方法的路径-想法转换算子将档...     

混合蚁群算法和遗传算法在特征选择和参数优化问题中的运用

机器学习的性能受特征选择和参数优化的影响很大,针对这一问题,采用基于蚁群算法和遗传算法的混合算法对特征选择和参数优化问题进行了探究。实验结果表明,该混合算法相比单个的蚁群算法或遗传算法,在特征选择和参数优化方面,具有更高的准确率。     

嵌入粒子群优化算法的混合人工蜂群算法

为了克服人工蜂群算法存在的早熟收敛、后期收敛速度变慢等缺点,提出了一种基于粒子群优化算法的混合人工蜂群算法(PABC).对陷入局部极值的雇佣蜂,采用粒子群优化算法对其重新进行初始化.粒子群优化算法具有很强的全局搜索性能,能使陷入局部极值的雇佣蜂尽快摆脱局部约束.测试函数的计算结果表明,改进的人工蜂群算法大大提高了蜂群算法的寻优能力,在收敛速度和精度方面均优于基本蜂群算法.     

求解高维函数优化问题的混合蜂群算法

为了提高人工蜂群算法求解复杂优化函数的全局搜索能力,提出了多父体杂交算法、差分进化算法和蜂群算法的混合蜂群算法(Hybrid artificial bcc colony algorithm, HABC) 。 HABC的核心在于,采用多父体杂交算子提高人工蜂群算法的全局搜索能力,通过淘汰相同个体保证群体的多样性,利用差分进化算子加快人工蜂群算法的收敛速度。高维函数优化问题的仿真结果表明,该算法全局搜索能力好,收敛速度快。     

融合狼群算法和模糊聚类的混合推荐算法

针对传统协同过滤推荐算法普遍存在的数据稀疏性问题以及寻找相似用户时存在局限性,提出一种融合狼群算法和模糊聚类的混合推荐算法.在数据处理过程中,根据基于项目的协同过滤算法充分挖掘项目间的数据关系,填充原始矩阵的零值以降低数据稀疏性;从用户的角度出发,根据模糊聚类隶属度的大小筛选出相关邻居集合,扩大相关用户的寻找范围;将狼...     

求解高维优化问题的混合灰狼优化算法

针对基本灰狼优化算法在求解高维优化问题时存在解精度低、收敛速度慢和易陷入局部最优的缺点,提出一种基于混沌映射和的精英反向学习策略的混合灰狼优化算法用于解决无约束高维函数优化问题. 该混合算法首先采用混沌序列产生初始种群为算法进行全局搜索奠定基础;对当前种群中的精英个体分别执行精英反向学习策略以协调算法的勘探和开采能力;在搜索过程中对决策层个体进行混沌扰动,以避免算法陷入局部最优的可能性. 选取10个高维(100维、500维和1000维)标准测试函数进行数值实验,结果表明混合灰狼优化算法在求解精度及收敛速度指标上明显优于对比算法.     

融合对立学习的混合灰狼优化算法

针对标准灰狼优化(grey wolf optimization,GWO)算法存在后期收敛速度慢,求解精度不高,易出现早熟收敛现象等问题,提出了一种基于对立学习策略和Rosenbrock局部搜索的混合灰狼优化(hybrid GWO,HGWO)算法。该算法首先采用对立学习策略取代随机初始化生成初始种群,以保证群体的多样性;然后对当前群体中最优个体进行Rosenbrock局部搜索,以增强局部搜索能力和加快收敛速度;最后为了避免算法出现早熟收敛现象,利用精英对立学习方法产生精英对立个体。对6个标准测试函数进行仿真实验,并与其他算法进行比较,结果表明,HGWO算法收敛速度快,求解精度高。     

Feature Selection Using Grey Wolf Optimization with Random Differential Grouping

Big data are regarded as a tremendous technology for processing a huge variety of data in a short time and with a large storage capacity. The user’s access over the internet creates massive data processing over the internet. Big data require an intelligent feature selection model by addressing huge varieties of data. Traditional feature selection techniques are only applicable to simple data mining. Intelligent techniques are needed in big data processing and machine learning for an efficient classification. Major feature selection algorithms read the input features as they are. Then, the features are preprocessed and classified. Here, an algorithm does not consider the relatedness. During feature selection, all features are misread as outputs. Accordingly, a less optimal solution is achieved. In our proposed research, we focus on the feature selection by using supervised learning techniques called grey wolf optimization (GWO) with decomposed random differential grouping (DrnDG-GWO). First, decomposition of features into subsets based on relatedness in variables is performed. Random differential grouping is performed using a fitness value of two variables. Now, every subset is regarded as a population in GWO techniques. The combination of supervised machine learning with swarm intelligence techniques produces best feature optimization results in this research. Once the features are optimized, we classify using advanced kNN process for accurate data classification. The result of DrnDG-GWO is compared with those of the standard GWO and GWO with PSO for feature selection to compare the efficiency of the proposed algorithm. The accuracy and time complexity of the proposed algorithm are 98% and 5 s, which are better than the existing techniques.     

改进的混合人工蜂群算法的研究

为了解决基本人工蜂群算法（ABC）早熟收敛、容易陷入局部最优、收敛精度不高等问题,提出一种混合改进的人工蜂群算法（RABC）。首先,为了平衡ABC的全局寻优能力,在初始化种群阶段引入了混沌算子和逆向学习算子,而后为了提高局部寻优能力,在采蜜蜂的检索方程中引入了最优引导个体,最后,为了提高收敛精度和加快后期收敛速度,改进了侦察蜂的检索机制。为了验证RABC算法的收敛效果,通过在3个标准测试函数上的仿真实验,并与基本ABC算法比较,发现RABC的收敛性能有显著提高。     

具有自适应搜索策略的混合人工蜂群算法

基本人工蜂群算法及其搜索策略侧重探索,为增强算法的开发能力,提出一种具有自适应搜索策略的混合人工蜂群算法。将目标函数值信息和最优解引导信息引入搜索策略,提出具有自适应机制、开发能力强的搜索策略;为防止“早熟”现象,利用三个不同随机食物源和高斯分布,设计出全局探索能力较强的搜索策略。将两个搜索策略在雇佣蜂阶段混合以平衡算法的探索与开发能力,在观察蜂阶段使用具有自适应机制、开发能力强的搜索策略以加快收敛。与基本及具有代表性的改进人工蜂群算法在20个标准测试函数中进行对比实验,结果表明所提算法具有更好的搜索能力和更快的收敛速度。