一种新的有监督特征选择方法

针对高维数据中的特征选择问题,提出一种有监督的特征选择方法。首先基于非线性相关度量标准作为对离散型特征进行选择,先后做选相关、去冗余两种相关分析,并采用向前方式搜索,最后用邻近算法作为分类器对所选择的特征进行实验。结果表明,该方法能选出有用的特征来提高分类准确率,并降低数据的维度。     

改进免疫克隆算法的Job Shop调度

提出了基于种群协同进化的并行免疫克隆算法,将种群中个体的亲和度计算并行在多个计算节点上同时进行。引入免疫记忆机制,使抗体种群的演化过程和记忆单元的演化过程并行进行,更好地实现了抗体间的相互协作,保证了解集从可行域内部和不可行域边缘向着最优解逼近。采用了克隆增殖变异和交叉算子的操作,增加了种群中优秀个体获得克隆增殖实现亲和度成熟的机会,提高抗体群分布的多样性,在深度搜索和广度寻优之间取得了平衡。从而保证了算法较强的收敛性以及搜索空间的多样性。利用标准问题库对算法进行测试,并分析算法参数对算法结果的影响,仿真结果表明,该算法对待寻优空间的全局搜索能力和局部搜索能力以及算法的稳定性与计算速率都要强于简单免疫克隆算法和遗传算法等优化算法。     

一种考虑环境作用的协同免疫遗传算法

在综合考虑了环境对生物进化的影响、免疫算法的结构以及遗传算法部分算子的基础上,提出一种考虑环境作用的协同免疫遗传算法(ESIGA),以实现提高算法搜索速度和全局搜索能力的目标.在该算法中,设计了克隆环境演化算子和自适应探索算子,并构造了3个子种群协同进化以发挥克隆环境演化算子的影响,从而提高算法的全局搜索能力.引入的自适应探索算子和克隆环境演化算子,使算法具备了一定的学习能力,可加速搜索和防止早熟.构建的主种群和协同种群相互影响,使得算法对环境具有改良能力,加强了克隆环境演化算子的性能,而精英种群则加强了算法在优质个体邻域的搜索能力.采用13个常用无约束优化问题测试函数对算法做了检验,测试数据表明:ESIGA算法与正交遗传算法相比,其搜索速度要快于正交遗传算法1～2倍,并能够处理1 000维的高维优化问题.     

多峰值函数优化的改进克隆选择算法

通过分析Castro提出的CLONALG算法在优化多峰值函数时存在峰值搜索能力弱、最优解易退化、收敛效率低等问题的根源,提出了一种基于记忆库小生境自适应克隆选择算法（MNACSA）。该算法首先采用小生境机制将种群分成若干类、分别从每个类中选出最优个体组成新种群;其次建立记忆库和自适应的高频变异率、且在库中引入最佳抗体抑制操作。对算法进行了分析和仿真实验,证明了该算法可以防止优秀个体退化、自动调节种群个体数目、提高优化效率、增强多峰搜索能力。     

基于双种群粒子群优化新算法的最优潮流求解

提出一种带赌轮选择的双种群粒子群优化算法(TSPSO)求解最优潮流问题。在该算法中,对2个种群采取不同的参数设置,使得粒子在进化过程中具有不同的飞行轨迹,从而尽可能地探索解空间,增强算法的全局搜索能力;基于赌轮算法的概率选择机制使粒子可以在较好的可行解邻近范围内高强度搜索,增强了算法的局部搜索能力;采用自适应惩罚因子能有效区分最优潮流的目标函数和约束条件对种群进化的影响,使种群可以跨越不可行域到可行域进行搜索。通过IEEE30节点系统对该算法进行测试,结果表明,采用该算法可以有效求解最优潮流问题。     

改进的克隆选择算法求解0——1背包问题

提出了一种改进的克隆选择算法(Improved CSA),该算法采用贪婪策略与宽限边界值相结合的方法,利用未成熟优良子群体提供的信息修改个体基因位来改善种群质量;同时增加一个历史至当前代最佳个体记忆单元防止种群退化.通过对2个0-1背包问题的仿真实验表明:该算法比一般CSA算法和遗传算法能更快的找到最优解;其搜索效率更高,性能更加稳定.     

基于整体退火遗传算法的最佳混合极性搜索

采用整体退火遗传算法搜索3n混合极性Reed-Muller表达式,获得最优解从而达到简化逻辑电路目的.并有效地结合遗传算法的全局搜索和模拟退火算法的局部搜索能力,在退火阶段将父代中最优的2/3种群的染色体和子代中最优的2/3种群的染色体选中形成中间阶段种群,然后对该种群进行退火选择,选出染色体组成新的种群,再对新种群进行选择、交叉和变异操作.为了进一步加快整体退火遗算法的执行效率,本文采用数据不相关的方法计算适应函数.实验结果证明,该算法在保证最优结果的同时,可有效缩短CPU运行时间.     

基于权重搜索树改进K近邻的高维分类算法

信息采集技术日益发展导致的高维、大规模数据,给数据挖掘带来了巨大挑战,针对K近邻分类算法在高维数据分类中存在效率低、时间成本高的问题,提出基于权重搜索树改进K近邻(K-nearest neighbor algorithm based on weight search tree,KNN-WST)的高维分类算法,该算法根据特征属性权重的大小,选取部分属性作为结点构建搜索树,通过搜索树将数据集划分为不同的矩阵区域,未知样本需查找搜索树获得最"相似"矩阵区域,仅与矩阵区域中的数据距离度量,从而降低数据规模,以减少时间复杂度.并研究和讨论最适合高维数据距离度量的闵式距离.6个标准高维数据仿真实验表明,KNN-WST算法对比K近邻分类算法、决策树和支持向量机(support vector machine,SVM)算法,分类时间显著减少,同时分类准确率也优于其他算法,具有更好的性能,有望为解决高维数据相关问题提供一定参考.     

基于磷虾-黑洞算法的医学数据特征选择研究

从高维的生物医学数据中探索发现与疾病相关的基因是目前的热点研究问题,但是大部分生物医学数据具有许多与寻找疾病基因不相关或冗余特征,很难直接投入使用.针对这个问题,提出了一种自适应双种群混合磷虾黑洞算法(modified binary krill herd and black hole algorithm, MBKHA).该算法将改进的二进制磷虾算法与二进制黑洞算法相结合,磷虾算法负责寻找更优的解集,黑洞算法负责加快算法收敛,通过使用自适应划分规则动态调控种群中磷虾个体和恒星个体的数量,从而实现两个算法优势互补.基于5个公开医学微阵列数据集,从多个指标比较了提出的方法和其他特征选择算法的性能,实验结果表明该方法在特征选择上具有更好的性能.     

基于信息熵的量子免疫遗传算法

针对目前的量子进化算法在高维函数优化时容易陷入局部最优,利用信息熵的概念,将量子进化算法和免疫遗传算法进行改进与融合,提出一种基于信息熵的量子免疫遗传算法.该方法对抗体采用相位编码,用信息熵准确地度量量子比特的不确定信息;提出了一种按变量的种群熵降序排列的邻域搜索策略;对于抗体之间的相似度,给出了一种按个体熵相同变量位数的度量方法;用繁殖概率对抗体的多样性进行评价,并分别以函数优化问题和VRPSDP问题进行了仿真验证.研究结果表明:该算法收敛速度快,求解精度高.