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。     

基于互信息的选择性集成核极端学习机

针对集成学习中的准确性和差异性平衡问题, 提出一种基于信息论的选择性集成核极端学习机. 采用具有结构简单、训练简便、泛化性能好的核极端学习作为基学习器. 引入相关性准则描述准确性, 冗余性准则描述差异性,将选择性集成问题转化为变量选择问题. 利用基于互信息的最大相关最小冗余准则对生成的核极端学习机进行选择, 从而实现准确性和差异性的平衡. 基于UCI 基准回归和分类数据的仿真结果验证了所提出算法的优越性.

     

基于社会学习机制的改进人工鱼群算法

针对人工鱼群算法后期搜索速度慢、不易得到精确解等问题,结合社会学习机制提出一种改进算法。当人工鱼群算法进行到优化后期时,使用群体社会学习机制中的趋同和趋异行为进行寻优。两种行为搜索速度快,寻优精度高,且趋异现象提高了群体的多样性,增强了跳出局部极值的能力,在一定程度上改善了原算法的搜索性能。仿真实验结果表明了改进算法的可行性和有效性。     

基于改进极限学习机算法的行为识别

重点研究了极限学习机ELM对行为识别检测的效果。针对在线学习和行为分类上存在计算复杂性和时间消耗大的问题,提出了一种新的行为识别学习算法(ELM-Cholesky)。该算法首先引入了基于Cholesky分解求ELM的方法,接着依据在线学习期间核函数矩阵的更新特点,将分块矩阵Cholesky分解算法用于ELM的在线求解,使三角因子矩阵实现在线更新,从而得出一种新的ELM-Cholesky在线学习算法。新算法充分利用了历史训练数据,降低了计算的复杂性,提高了行为识别的准确率。最后,在基准数据库上采用该算法进行了大量实验,实验结果表明了这种在线学习算法的有效性。     

基于改进极限学习机的软测量建模方法

针对生物发酵过程中一些生物参量难以测量的问题,提出一种基于改进极限学习机（IELM）的软测量建模方法。该方法通过最小二乘方法和误差反馈原理计算出最优的网络输入到隐含层的学习参数,以提高模型的稳定性和预测精度。通过双对角化方法计算出最优的输出权值,解决输出矩阵的病态问题,进一步提高模型的稳定性。将所提方法应用于红霉素发酵过程生物量浓度的软测量。结果表明,与ELM、PL-ELM、IRLS-ELM软测量建模方法相比,IELM在线软测量建模方法具有更高的预测精度和更强的泛化能力。     

基于改进人工鱼群算法的车辆轨迹规划方法

针对车联网环境下若干典型车辆轨迹规划方法存在车速与轨迹波动性较大的问题,提出一种基于改进人工鱼群算法的车辆轨迹规划方法。该方法以短程通信（DSRC）的车联网应用场景为设计平台,以车辆的最优行车速度为核心计算基础,分析得到了车辆的最佳轨迹。首先,对人工鱼群算法在车联网应用场景的优势和不足进行分析,引入万有引力力学模型与避障模式控制,提出一种改进的人工鱼群算法;然后,分析车辆在车联网应用场景中的受力约束,利用网联车辆的自组织行为控制策略推导最优行车速度;最后,基于最优行车速度实现对车辆的实时轨迹诱导和轨迹避障控制规划。仿真测试结果表明,在运用了基于改进人工鱼群算法的轨迹规划模型后,车辆的驾驶速度更加平稳,轨迹波动性较小,对障碍物可实现零失误避撞;在多车相遇情况下,测试车辆为2~40时,相对于原人工鱼群算法和萤火虫算法,运用改进人工鱼群算法后车速的平均迭代次数减少,迭代效率提高3~7、4~8倍,且随着车辆数目越多,迭代效率提升越明显。     

基于改进鱼群算法的路径测试数据生成

针对自动化软件测试中测试数据自动化生成的问题,提出了一种基于人工鱼群算法的解空间搜索方案。为了提高人工鱼群算法的求解能力,在鱼群算法中引入混沌搜索机制。人工鱼群算法在每次迭代之后,将针对当前全局最优解进行局部混沌搜索,同时淘汰掉部分劣质个体;随后,根据种群的最佳个体收缩解空间搜索区域,并在该空间内随机产生部分新个体。最后,通过在两种三角形判定程序上的实验证明,该算法收敛速度快,求解精度高。     

改进的人工鱼群算法在频率分配中的应用

在蜂窝移动通信网络中,为了应用有限的可用频谱来满足不断增长的客户需求,运用一定的优化算法合理规划频率资源显得尤为重要。针对这一问题,提出了一种改进的人工鱼群算法。算法引入了变异算子,来增强种群的多样性;采用动态调整步长,较好地平衡了全局和局部搜索能力;用整个人工鱼群的中心位置和全局极值位置代替人工鱼邻域中心位置和邻域极值位置,从而减少了算法的计算量,提高了运算精度。仿真结果表明,改进后的算法能够很好地解决频率分配问题,提高了算法的收敛率和收敛速度。     

改进粒子群优化的极限学习机软测量建模方法

工业过程常含有显著的非线性、时变等复杂特性,传统的极限学习机有时无法充分利用数据信息,所建软测量模型预测性能较差。为了提高极限学习机的泛化能力和预测精度,提出一种改进粒子群优化的极限学习机软测量建模方法。首先,利用高斯函数正态分布的特点实现惯性权重的自适应更新,并线性变化学习因子以提高粒子群优化算法的收敛速度和搜索性能;然后将该算法用于优化极限学习机的惩罚系数和核宽,得到一组最优超参数;最后将该方法应用于脱丁烷塔过程软测量建模中。仿真结果表明,优化后的极限学习机模型预测精度有明显的提高,验证了所提方法不仅是可行的,而且具有良好的预测精度和泛化性能。     

基于改进极限学习机的三轴加速度计误差补偿算法

针对三轴加速度计存在的测量误差,建立了隐式非线性误差模型,并提出一种自主反向调优的极限学习机(RT-ELM)对误差模型进行训练。实验结果表明:三轴补偿后误差基本控制在±0. 07 m/s~2范围内,均方根误差小于0. 004 m/s~2,误差比补偿前减小超过100倍,补偿精度是固定型极限学习机ELM的7倍左右。任意选取训练集和测试集补偿效果基本一致,证明超限学习算法具有很好的泛化能力和鲁棒性,而且几千个样本点的训练时间仅0. 06 s左右,其速度是传统反向传播(BP)神经网络的上千倍,适用于对实时性要求较高的误差补偿和控制系统等领域。     

基于改进粒子群优化和极限学习机的网络安全态势预测

针对网络安全态势预测模型预测精度不高、收敛较慢等问题,提出了一种基于改进粒子群优化极限学习机(IPSO-ELM)算法的预测方法.首先,通过改进粒子群优化(PSO)算法中的惯性权重和学习因子来实现两种参数随着迭代次数增加的自适应调整,使PSO初期搜索范围大、速度高,后期收敛能力强、稳定.其次,针对PSO易陷入局部最优的问...     

基于改进人工鱼群算法的含噪图像分割方法

针对传统的图像分割方法计算量大、抗噪性弱等问题,将新型的智能仿生优化算法--人工鱼群算法（Artificial Fish Swarm Algorithm,AFSA）和小波变换有效地应用到图像分割中,并提出一种并行的阈值分割方法。采用合适的固定步长与自适应步长相结合的方法提高AFSA收敛速度,利用小波变换对小波系数进行阈值处理来提升图像信噪比。利用二维Otsu作为人工鱼群算法的适应度函数,以获得最优阈值。实验结果显示,该方法在分割质量和降噪方面较潘喆等人提出的方法有明显提高。     

Dynamic ensemble extreme learning machine based on sample entropy

Extreme learning machine (ELM) as a new learning algorithm has been proposed for single-hidden layer feed-forward neural networks, ELM can overcome many drawbacks in the traditional gradient-based learning algorithm such as local minimal, improper learning rate, and low learning speed by randomly selecting input weights and hidden layer bias. However, ELM suffers from instability and over-fitting, especially on large datasets. In this paper, a dynamic ensemble extreme learning machine based on sample entropy is proposed, which can alleviate to some extent the problems of instability and over-fitting, and increase the prediction accuracy. The experimental results show that the proposed approach is robust and efficient.     

改进的人工鱼群算法的参数分析

基于原始人工鱼群算法,进行觅食、追尾、聚群行为的改进,以及可视域的自适应调整,提出了改进的人工鱼群算法。算法采用不同的参数值进行匹配,以优化函数值为例进行仿真实验。实验分析研究了主要参数对该算法优化性能的影响,并得出了合理的参数取值,以解决人工鱼群算法寻优精度低、运行速度慢的问题;实验还通过不同函数验证了改进的人工鱼算法具有更高的求解精度、更快的执行速度、更高的稳定性等优点。     

基于改进人工鱼群算法和MAKLINK图的机器人路径规划

针对静态二维环境下移动机器人全局路径规划问题,提出一种基于改进人工鱼群算法(IAFSA)和MAKLINK图的路径规划方法.该方法以Lorentzian函数和正态分布函数为视野和步长的自适应算子,引入指数递减惯性权重因子,能够提高AFSA算法的收敛速度和计算精度. MS (JoséLuis Esteves Dos Santos)算法结合IAFSA算法分步寻优,取IAFSA算法优化后的最优路径为全局最优路径,可以解决以往算法在MAKLINK图中只能求近似全局最优路径的问题.仿真实验结果表明了所提出改进算法方案的可行性和有效性.     

粒子群和人工鱼群混合优化算法

提出基于粒子群的人工鱼群混合优化算法,该算法综合利用人工鱼群算法的良好全局收敛性和粒子群算法的局部快速收敛性、易实现性等优点,克服人工鱼群算法收敛速度慢及粒子群算法后期全局收敛差的缺点,发挥了两者的优越性,并成功应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和求解复杂化学方程根的问题。仿真结果表明,混合粒子群算法不仅具有较好的全局收敛性能,而且具有较快的收敛速度。     

基于改进离散人工蜂群算法的同类机调度优化

针对一类最小化最大完工时间的同类机调度问题,考虑到机器的加工效率和产品的交付时间,引入同类机调度问题的数学模型,提出一种改进的离散型人工蜂群算法（IDABC）求解该问题。首先,引入种群初始化策略,得到均匀分布的种群,并获得待优参数的生成策略,加快种群的收敛;其次,借鉴差分进化算法的变异算子和模拟退火算法的思想,改进雇佣蜂和跟随蜂的局部搜索策略,并利用最优解的优质信息改进侦察蜂,增加种群多样性、防止算法陷入局部最优;最后,分析算法的性能和参数,并将改进的算法应用于同类机调度问题,在15个算例上的实验结果表明,与混合离散人工蜂群（HDABC）算法相比,IDABC的求解精度和稳定性分别平均提高了4.1%和26.9%,且具有更好的收敛性,表明在实际场景中IDABC可以有效求解同类机调度问题。     

A robust double-parallel extreme learning machine based on an improved M-estimation algorithm

To solve the problem of improving the regression accuracy and model stability of the extreme learning machine(ELM), a new approach based on an improved M-estimation optimized double-parallel extreme learning machine is proposed in this study, namely robust double-parallel extreme learning machine(RD-ELM). Firstly, RD-ELM is constructed with a double parallel forward structure, thus the information can be received from both hidden layer neurons and input layer neurons. Secondly, we use an improved M-estimation to calculate output weights of neural network by iteratively reweighted Least-Squares Estimation(LSE), with weights assigned by the least absolute residual estimation of the samples. Finally, we establish a regression prediction model utilized to test the goodness of fit in a SinC function and verify the regression ability in eight benchmark regression problems. Then the proposed method is applied to an actual operational condition of a power plant. Experimental results show that the proposed method can efficiently process the influence of outliers and noise with strong anti-jamming ability. Compared with other methods, RD-ELM has superior performance that is stronger robustness and better generalization performance in many benchmark data and practical experiments.     

基于人工鱼群算法的空洞探测

针对目前解决空洞探测算法复杂度高,近似解不能很好地逼近于最优解等问题,提出了一种基于人工鱼群算法解决空洞探测的方法。该方法将每一条鱼视为一个空洞,将理论时间与观测时间的误差作为鱼游动的标准,以鱼群逐渐向空洞实际位置游动对应的误差逐渐变小为基本思想,将在最小误差情况下对应的鱼群位置作为空洞位置。经计算仿真表明,该算法迭代次数少,复杂度低,能很好地逼近于最优解,是一种解决空洞探测的有效算法。