基于人工鱼群算法的孪生支持向量机

孪生支持向量机（twin support vector machine, TWSVM）是在支持向量机的基础上产生的机器学习算法,具有训练速度快、分类性能优越等优点。但是孪生支持向量机无法很好地处理参数选择问题,不合适的参数会降低分类能力。人工鱼群算法（artificial fish swarm algorithm, AFSA）是一种群智能优化算法,具有较强的全局寻优能力和并行处理能力。本文将孪生支持向量机与人工鱼群算法结合,来解决孪生支持向量机的参数选择问题。首先将孪生支持向量机的参数作为人工鱼的位置信息,同时将分类准确率作为目标函数,然后通过人工鱼的觅食、聚群、追尾和随机行为来更新位置和最优解,最后迭代结束时得到最优参数和最优分类准确率。该算法在训练过程中自动确定孪生支持向量机的参数,避免了参数选择的盲目性,提高了孪生支持向量机的分类性能。     

灰狼优化的混合参数多分类孪生支持向量机

孪生支持向量机(TWSVM)是在支持向量机(SVM)的基础上产生的一种高效二分类算法,由于现实中存在的问题大多数是多分类的,将二分类孪生支持向量机扩展到多分类孪生支持向量机(MTWSVM)是非常重要的。目前常用的MTWSVM一般是基于“一对一”策略,但该策略中各子分类器都采用相同的惩罚参数以及核参数,忽略了不同子分类器之间的差异,不能使其发挥最好的作用。通过提出一种基于混合参数的多分类孪生支持向量机(MP-MTWSVM),为不同的子分类器选取合适的参数,保持分类器的多样性,进而根据“一对一”策略构建MTWSVM。TWSVM本就面临着参数难确定的问题,而MP-MTWSVM算法又引入了大量的参数,通过灰狼算法(GWO)对MP-MTWSVM的参数进行寻优,进一步提出了基于灰狼优化的混合参数多分类孪生支持向量机(GWO-MP-MTWSVM)。通过实验表明,GWO可以快速找到各子分类器的最优参数,并进一步提升了算法的准确率。     

SVM参数优化的AFMC算法

支持向量机的参数选择仍未有系统的理论指导,其优化选择一直是支持向量机的一个重要研究方向。考虑到人工鱼群算法优化支持向量机参数往往易陷入最优参数组合微小邻域的问题,构造了用于支持向量机参数优化的AFMC算法。该算法前期利用鱼群算法较好的并行寻优性能,能快速寻得问题的近似最优解,而后利用MonteCarlo法进行局部寻优,以实现快速、有效地获取强近优解。数值实验结果表明,该算法具有较好的分类性能和较快的寻优速度,验证了在支持向量机参数寻优中的有效性和可行性。     

基于AFSA-LSSVM的三维传感器节点定位

为了提高三维无线传感器的定位精度,针对最小二乘支持向量机（LSSVM）参数优化问题,提出了一种人工鱼群算法（AFSA）优化LSSVM的传感器点定位方法（AFSA-LSSVM）.首先构建三维无线传感器定位模型的学习样本,然后采用LSSVM构建三维节点定位模型,并采用AFSA模拟鱼群的觅食、聚群及追尾行为找到最优LSSVM参数,最后采用仿真实验测试节点的定位性能.结果表明,相对于其它定位方法,AFSA-LSSVM提高了传感器节点的定位精度,具有一定的实际应用价值.     

基于HMM-SVM的图像型火焰识别

针对单一的隐马尔科夫模型在图像型火灾探测中误报率偏高的问题,提出了隐马尔科夫模型和支持向量机相结合的图像型火焰识别算法。对捕获到的图像进行运动区域检测和颜色分析,提取疑似火焰区域,利用隐马尔科夫模型计算疑似区域与火焰模型的相似度,并输入到训练好的支持向量机进行二次识别。实验结果表明,与传统单一隐马尔科夫模型相比,该方法可以有效地降低误报率,提高火焰识别准确性。     

基于改进人工鱼群算法的支持向量机预测

由于参数的选择范围较大,在多个参数中进行盲目搜索最优参数的时间代价较大,且很难得到最优参数.为此,提出一种基于改进人工鱼群算法(AFSA)的支持向量机(SVM)预测算法.对AFSA进行改进,并使用改进算法优化SVM.实验结果表明,与遗传算法、粒子群优化算法和基本AFSA优化的支持向量机相比,该算法的均方误差降低为2.51×10-3,提高了预测精度.     

人工鱼群算法在SVM参数优化选择中的应用

针对支持向量机的参数优化缺乏理论支持,而SVM交叉检验法选取又较为费时的情况下,提出了基于人工鱼群算法的支持向量机参数优化选取算法,并以SVM分类预测准确率最大为优化原则,利用人工鱼群算法的较好并行性和较强的全局寻优能力,以实现最优目标并得到SVM的最优参数组合。数值实验结果表明：人工鱼群算法在SVM参数优化选取中具有更快的寻优性能,同时具有较高的分类准确率。该方法具有较好的并行性和较强的全局寻优能力。     

基于双树复小波包和改进SVM的轴承故障诊断

为了提高滚动轴承内圈、滚动体、外圈等故障诊断效率,提出了将双树复小波包和支持向量机（Support Vector Machine,SVM）结合的故障诊断方法。采用双树复小波包对轴承振动信号分解和重构,提取重构信号中的故障能量特征并构造特征样本作为支持向量机诊断模型的输入。针对支持向量机的参数选取没有固定方法而导致故障诊断的准确性降低的问题,采用人工鱼群算法对支持向量机的惩罚系数和核参数进行寻优。用寻优得到的参数建立支持向量机诊断模型对特征样本进行故障诊断。仿真结果表明提出的方法不仅可以提高降噪效果从而得到滚动轴承故障振动的特征信号,而且能实现更高精度的故障诊断。     

基于灰狼优化算法的车牌字符识别研究

为了提高车牌字符识别的准确率和模型的泛化能力,提出一种基于字符特征向量和灰狼优化算法的字符识别方法。该方法通过提取车牌字符的特征向量建立非线性支持向量机模型,利用灰狼优化算法对支持向量机参数寻优,并基于寻优参数建立识别模型。经过实验对比,该方法相比其他优化算法寻优时间更短且识别准确率更高。     

混合和声搜索算法优化SVM的订单优先权评价

订单优先权评价是制订生产计划的关键,针对当前订单优先权评价模型不足,提出一种混合和声搜索算法优化支持向量机的订单优先权评价模型（HHS-SVM）。构建订单优先权评价指标体系,采用支持向量机建立订单优先权评价模型,并采用和声搜索算法优化支持向量机参数,在参数寻优过程中,引入了人工鱼群算法的觅食行为,提高了算法跳出局部最优解的能力和收敛速度,采用仿真实验测试模型的性能。结果表明,相对于对比模型,HHS-SVM提高了订单优先权评价精度,是一种可行、有效的订单优先权评价模型。     

基于AFSA-LSSVM的短时交通流量预测

为了提高短时交通流量的预测精度,针对最小二乘支持向量机（LSSVM）参数优化难题,提出一种人工鱼群算法（AFSA）和LSSVM相结合的短时交流量预测模型（AFSA-LSSVM）,通过采用AFSA优化LSSVM参数,并采用具体短时交通流量数据进行仿真实验。仿真结果表明,相对于参比模型,AFSA-LSSVM可以获得更优的LSSVM参数,能够更加准确地描述短时交通流量变化趋势,提高了短时交通量的预测精度,为非线性短时交通流量预测提供了一种新的研究思路。     

改进AFSA算法优化SVM的变压器故障诊断

提出一种基于改进人工鱼群算法优化支持向量机（SVM）的变压器故障诊断方法。首先对基本人工鱼群算法进行改进,引入柯西变异优化觅食行为,并在算法的迭代过程中利用鱼群搜索到的信息和[t]分布变异的特点,对劣质个体鱼进行消亡与重生,提高鱼群算法的寻优效率和求解精度。然后,利用改进的人工鱼群算法优化SVM的核函数参数及惩罚系数,使SVM分类器获得最佳的分类精度。最后采用决策导向无环图（DDAG）方法建立变压器故障诊断SVM多分类决策模型。通过仿真实验将提出的方法与网格搜索法Grid-SVM、GA-SVM、PSO-SVM比较,所建模型具有更高的诊断正确率。     

基于改进全局人工鱼群算法的VRPSPDTW研究

研究带时间窗的同时送取货车辆路径规划问题（VRPSPDTW）,并建立0-1混合整数规划模型。为进一步提高人工鱼群算法的寻优能力和收敛速度,提出一种改进的全局人工鱼群算法,并通过实验确定算法参数。算法将模型中的时间窗和车载量两个强约束纳入适应度函数进行处理,降低算法计算复杂度。以最小化发车数（NV）和路由距离（TD）为优化目标,通过王与陈提供的VRPSPDTW算例与基本人工鱼群算法（AFSA）和并行模拟退火算法（P-SA）进行比较,验证了改进全局人工鱼群算法的有效性。实验结果显示：IGAFSA获得的NV和TD目标值均优于AFSA,TD目标值优于P-SA。     

基于决策树对支持向量机的医学图像分类新方法

针对传统对支持向量机多类分类算法（Multi-TWSVM）中出现的模糊性问题,提出了一种基于遗传算法的决策树对支持向量机（GA-DTTSVM）多类分类算法。GA-DTTSVM用遗传算法对特征数据建立决策树,通过构建决策树可以分离样本的模糊区域,提高模糊区域样本的识别率。在决策树的每个节点上用对支持向量机（TWSVM）训练分类器,最后用训练的分类器进行分类和预测。实验结果表明,与决策树对支持向量机（DTTSVM）多类分类算法以及Multi-TWSVM相比,GA-DTTSVM多类分类算法具有较高的分类精度和较快的训练速度。     

云人工鱼群算法

借鉴人工鱼群算法的思想,利用云模型云滴的随机性和稳定倾向性的特点,提出了一种新的人工鱼群算法——云人工鱼群算法,并用于求解具有变量边界约束的非线性的复杂函数最优化问题。计算机仿真结果表明,云人工鱼群算法具有计算精度较高,搜索速度较快等特点,具有一定的参考和应用价值。     

基于AFSA-SVM的网络入侵检测模型

特征选择是网络入侵检测研究中的核心问题,为了提高网络入侵检测率,提出一种人工鱼群算法（AFSA）和支持向量机（SVM）相融合的网络入侵检测模型（AFSA-SVM）。将网络特征子集编码成人工鱼的位置,以5折交叉验证SVM训练模型检测率作为特征子集优劣的评价标准,通过模拟鱼群的觅食、聚群及追尾行为找到最优特征子集,SVM根据最优特征子集进行网络入侵检测,并采用KDD CUP 99数据集进行仿真测试。仿真结果表明,相对于粒子群优化算法、遗传算法和原始特征法,AFSA-SVM提高了入侵检测效率和检测率,是一种有效的网络入侵检测模型。     

人工鱼群算法的参数分析

针对人工鱼群算法由于参数选择不合理而导致算法运行时间长或陷入局部最优的问题,利用改进的全局版人工鱼群算法,采用不同参数匹配,以优化3个典型的测试函数为例进行仿真实验研究,分析人工鱼群算法在主要参数影响下,算法优化性能及收敛速度的变化规律,给出算法参数设置的适当取值。实验结果表明参数的合理设置使算法可以较快地收敛至全局较优解,并具有较好的性能。     

基于自适应动态邻域结构的人工鱼群算法

针对人工鱼群算法易陷入局部最优且寻优精度不高的问题,提出了一种基于自适应动态邻域结构的人工鱼群算法。算法中,每条人工鱼先根据鱼群中其他人工鱼与自身的距离及当前迭代次数自适应调整动态邻域结构,再根据该动态邻域结构自适应计算视野和步长;还结合粒子群算法信息策略和公告板对人工鱼的行为进行了改进。仿真实验结果表明,该算法克服局部极值实现全局寻优的能力更强,优化精度更高。     

一种混合优化算法面向高维函数优化的研究

基本粒子群算法（PSO）在面对高维多极值函数优化的问题时粒子容易快速集中到最优粒子附近，导致粒子运动能力丧失，种群陷入停滞，因此寻优效果并不理想。针对这种情况，通过引入人工鱼群算法（AFSA）中的聚群和觅食行为与粒子群算法相结合形成一种新的混合优化算法来解决这些问题。最终通过仿真实验证明该混合优化算法在面对高维函数的优化问题上具有优秀的寻优能力。     

基于基因交换的自适应人工鱼群算法

针对人工鱼群算法(AFSA)不能完美地平衡局部寻优与全局寻优,且缺乏跳出局部最优能力等问题,提出了一种基于基因交换的自适应人工鱼群算法(AAFSA-GE).首先利用自适应的视野和步长提高搜索的速度及精度,然后利用混乱行为和基因交换行为增强跳出局部最优的能力并提高搜索效率.为了证明算法的有效性,在实验中使用了10种经典的...