递减步长果蝇优化算法及应用

提出一种递减步长果蝇优化算法(diminishing step fruit fly optimization algorithm,DS-FOA).该算法的搜索步长随果蝇觅食进程逐步减小,从而使果蝇群体在觅食初期具有较强的全局搜索能力,在觅食后期具有较强的局部寻优能力,从而实现全局搜索能力和局部寻优能力的平衡.将该算法用于支持向量机(support vector machine,SVM)回归模型的惩罚因子和核函数参数优化中,结果表明,DS-FOA收敛速度快,全局搜索与局部寻优能力强.与其他算法相比,由DS-FOA优化参数的SVM回归模型均方误差最低,回归效果好.     

面向故障诊断的供水管网水压监测点优化布置方法

为解决供水管网故障诊断中准确率不高、经济性不佳的问题,设计了一个基于改进的果蝇优化算法核极限学习机的供水管网故障诊断模型。经验证,该模型具有学习速度快、故障识别率高等优点。以该模型为核心提出了基于果蝇优化算法的供水管网水压监测点优化布置方法。该方法首先利用果蝇优化算法形成多组水压监测点方案,然后用供水管网故障诊断模型计算每种方案的诊断准确率,选择其中诊断准确率最高、经济性最好的方案作为候选最优方案,并以此方案为基础,使用果蝇优化算法不断循环迭代,最终找到故障诊断准确率高且经济性最好的水压监测点布置方案。利用Matlab语言代码对提出供水管网水压监测点优化布置方法进行了编码实现,使用实际管网数据进行了实验,结果表明,所提出的供水管网水压监测点优化布置方法是一个有效的水压监测点优化布置方法。     

基于果蝇优化的支持向量机回归模型

给出一种基于果蝇优化的支持向量机回归模型。将支持向量机惩罚因子和核函数参数初始化为果蝇群体,根据果蝇优化算法原理,依据适应度最优原则进行迭代觅食,搜索最优参数,建立模型。将该模型用于分析有机化合物熔点预测问题,结果显示,该模型预测均方误差为3.02%,相关系数达到89.39%。     

基于果蝇优化的随机森林预测方法

提出了一种基于果蝇算法优化的随机森林预测方法,该方法使用果蝇优化算法对随机森林的两个主要参数进行优化,构建一种优化的随机森林模型,并与现有方法进行了对比和分析。实验结果表明,本文方法不仅具有更高的识别准确度,在时间上也具有较高效率,可作为问题预测的一种有效工具。     

基于微分进化算法的SVM参数选择

支持向量机(support vector machines, SVM)的性能在很大程度上取决于参数的设置, 所以参数选择问题一直是SVM理论和应用研究中的重点问题.SVM的参数选择本质上是一个优化搜索过程, 并且这个优化问题往往是多峰的.微分进化算法(differential evolution, DE)是一种实数编码的基于种群进化的优化算法, 具有强劲的全局搜索能力, 在多峰函数的寻优问题上已表现出优异的性能.为此, 将DE算法用于SVM参数选择, 提出了基于DE算法的SVM参数选择方法(DE-SVM).在标准数据集上的几个仿真实验证明了该方法的有效性.与基于微粒群算法(partical swarm algorithm, PSO)的参数选择方法相比, DE-SVM在复杂问题或多参数的寻优问题上具有更快的寻优速度.     

基于SVM和GA-SVM的NIR光谱柑橘产地鉴别模型研究

为了建立更准确、高效的柑橘产地鉴别模型,提出了基于支持向量机(Support Vector Machine,SVM)的遗传算法(Genetic Algorithm,GA)SVM(GA-SVM)。该算法结合基因优化选择,对SVM算法进行了改进,实验结果显示,采用GA-SVM对16个地区柑橘样本开展NIR的产地鉴别,能得到比SVM更高的识别率。     

基于GA-SVM的电能质量扰动分类方法研究

电能质量扰动的准确分类,是电能品质改善和治理的重要决策依据.为解决支持向量机(SVM)分类器在多分类问题中的不足,采用模式识别领域中聚类分析的思想,提出了一种基于遗传算法(GA)的SVM决策树多分类电能质量扰动识别方法.该方法首先对参数进行初步最优值筛选,将得到的初步最优值作为遗传算法初始值进行编码,根据设立的适应度函数完成GA中的选择、交叉、变异等操作,进一步搜索最优值,再以最优决策树构建SVM分类器,最终实现SVM的多分类.仿真结果表明,相比未经优化的SVM模型,基于GA算法优化的SVM具有较高的识别精度和抗噪能力.     

一种基于全局-局部双向驱动的改进果蝇优化算法

为解决传统果蝇优化算法过早收敛、结果不稳定等问题,提出一种基于全局-局部双向驱动的果蝇优化新算法.首先,为综合考虑果蝇群体的全局化驱动信息和果蝇个体的局部化驱动信息,引入先进群组和记忆空间的概念,即在每次迭代过程中,将果蝇种群中表现较好的若干只果蝇定义为先进群组,将每只果蝇经过的若干历史最优位置定义为该果蝇的记忆空间.然后,为避免过早收敛问题,考虑先进群组中所有个体的全局化驱动作用,通过顺序选择果蝇位置向量的各个维度实现果蝇位置更新.最后,为避免种群接近收敛时盲目地进行全局搜索,每只果蝇个体将考虑自身认知经验的局部化驱动作用,通过使用轮盘赌策略选择记忆空间中特定位置并向其靠近以跳出局部最优.针对典型测试函数及网络异常检测仿真的实验结果表明:基于全局-局部双向驱动的果蝇优化算法收敛精度高、稳定性好、收敛速度快,适用于处理网络异常检测中的高维、复杂的优化问题.     

一种基于SVM的快速特征选择方法

针对现有特征选择方法计算量大、速度慢的缺点,提出了一种基于SVM的快速特征选择算法。该算法使用SVM作为分类器,并利用粒子群优化算法进行搜索。通过利用SVM线性核与多项式核函数的特性,减少了在特征选择中训练分类器的次数,降低了计算复杂度。实验结果表明在不损失分类精度的情况下,能显著提高特征选择的速度。     

基于微分进化算法的支持向量机参数与特征同步选择

为了提高支持向量机(SVM)参数选择和特征选择的效率,提出了一种基于微分进化(DE)算法的SVM参数与特征同步选择方法(DE-SVM)。在编码方式上将DE的个体分为参数维和特征维,参数维直接用于优化选择参数,特征维经过"取整二进制变换"后选择相应特征。在几个UCI标准数据集上的仿真试验证明了该方法的有效性,与基于微粒群算法的参数与特征同步选择方法(PSO-SVM)相比,DE-SVM具有更高的寻优效率和特征选择能力。