基于改进搜索策略和混沌机制的人工蜂群算法

人工蜂群算法具有较强的探索能力,但是开采能力差、搜索精度低、后期收敛速度慢。针对以上问题,本文提出一种基于混沌机制的人工蜂群算法,在搜索方程中引入历史平均最优解,避免探索和开采能力的失衡;迭代后期,若种群陷入局部极值,采用混沌序列对种群进行变异,以增强算法的开采能力和求解的质量,保持种群的多样性。经过函数测试结果表明,改进后的算法在求解速度和精度上均优于基本ABC算法和其他改进算法。      

用人工鱼群算法自动确定三支决策阈值

传统的三支决策粗糙集模型需要设置合适的阈值,需要运用该模型的人员具备相关的专业知识和经验,这阻碍了该模型在实际中的应用。针对此不足,本文提出用人工鱼群算法来自动生成阈值,而不需要先验知识。以样本的条件概率作为解空间,以决策风险最小化为目标,利用人工鱼群算法,能有效地从数据中学习到三支决策粗糙集模型所需要的阈值,使得风险损失最小。在部分UCI数据集上的实验表明,该算法在运行时间上和利用学习到的阈值构建的分类器的分类性能都明显优于自适应算法。 