随机交叉全局和声搜索算法

针对和声搜索算法易陷入局部最优的不足,提出了一种随机交叉全局和声搜索（RCGHS）算法。通过最差和声向最优和声学习提高算法的全局搜索性能,引入其他和声向最优和声学习的交互策略提高算法的局部搜索性能。将两种学习策略随机交叉动态产生新和声,平衡算法的全局搜索和局部搜索性能。在和声记忆库更新阶段,利用即兴创作产生的和声向量与随机反向学习产生的和声向量中较优的个体更新和声记忆库。将RCGHS算法与目前文献中较优的几种改进HS算法、ABC算法、PSO算法和GWO算法进行性能测试,测试结果表明RCGHS算法具有较高的寻优精度和较快的收敛速度。     

基于和声搜索机制的特征选择与文本聚类分析

针对文本信息特征冗余多、噪声大问题,提出基于和声搜索机制的文本特征选择算法.以词频逆文本频率指数为目标函数评估特征词条;在初始文档集中通过和声搜索的记忆考虑、纵向倾角调整和随机选择3种特征选择新解更新规则,迭代搜索最优特征子集;以最优特征子集为基础,以K均值进行文本聚类.利用4种典型文档数据集进行仿真实验,实验结果表明...     

利用改进的和声搜索算法求解Van Genuchten方程参数

Van Genuchten方程是最常用的土壤水分特征曲线方程,运用该方程的关键是4个参数的取值精度。为了精确地求解这些参数,引入和声搜索(HS)算法进行求解,提出一种基于全局信息的和声搜索优化计算方法——IGHS。IGHS算法具有如下特点：利用当前和声记忆库中的全局最优解产生新解,改变了和声搜索算法新解的产生方式;通过对和声记忆库中当前最优解的扰动避免算法早熟,增强算法的全局搜索能力;IGHS算法结构简单,容易实现。实验结果表明IGHS算法求解Van Genuchten方程参数的精度与随机微粒群结果相似,但其收敛速快、计算量小,因此可以作为计算Van Genuchten方程参数的新方法。     

基于免疫粒子群的P2P协议识别方法

为了解决基于统计特征的P2P协议识别中,因特征选择不当而引起的识别准确率低的问题,采用免疫粒子群算法(Immune-PSO)选取最优特征子集,选择出最能区分P2P协议的特征子集。实验结果表明,该算法较标准粒子群算法具有更高的全局搜索能力,能更准确地找出最优特征子集,该方法能有效地提高协议的识别率,对常见的P2P协议如BitTorrent、eMule等有高达90%的识别率。     

求解零空闲流水线调度问题的和声退火算法

针对以最大完工时间为目标的零空闲流水线调度问题提出了和声退火算法。首先引入了基于ROV规则的编码方式,使和声搜索应用于离散问题,从初始化方法、参数调整、候选解的产生、和声记忆库的更新方法等四个方面对基本和声搜索算法进行了改进,基于此提出了改进的和声搜索算法;其次,结合和声搜索和模拟退火算法的优点,分别对和声搜索过程中的最优解、和声记忆库中的随机选中的解及一个新解分别进行模拟退火,提出了三种不同的和声退火算法。仿真实验表明所提算法的有效性和优越性。     

基于改进和声算法的直流电机PID参数优化

直流电动机PID参数优化，是电机控制中的重要优化问题。智能优化算法相较于人工调参有明显的优势。和声搜索算法结构简单，可调参数少，已成熟运用于多种参数优化问题，但其寻优精度较低，且容易陷入局部最优。文章使用Tent混沌映射初始化和声库，设置全局自适应的和声参数，在搜索过程中加入麻雀搜索策略进行协同搜索，并将麻雀种群库与和声库进行信息交互，提出一种自适应混沌麻雀和声搜索算法（adaptive chaotic sparrow harmony search,ACSHS）。通过仿真实验证实ACSHS算法在收敛速度和寻优精度上比几种优秀的PID参数优化算法更为有效。     

融合Fast特征选择与ABQGSA-SVM的网络入侵检测*

为进一步提升网络入侵检测效果,提出一种融合FAST特征选择与自适应二进制量子引力搜索支持向量机的(FAST-ABQGSA-SVM)网络入侵检测算法。利用FAST算法过滤掉原始特征集中冗余无关的特征形成候选特征子集,基于组合优化策略采用自适应二进制量子引力搜索算法对候选特征子集与SVM分类器参数进行组合优化。在ABQGSA反复学习寻优过程中,采取动态自适应波动式调整策略更新量子旋转角以平衡算法全局搜索能力和局部搜索能力,同时为提升算法的自适应变异能力,设计与进化程度及个体适应度值相关的自适应变异概率,当种群进化出现停滞时及时引入量子位离散交叉操作帮助种群摆脱局部极值。最后使用KDD CUP 99入侵检测数据进行仿真实验。结果表明,所提出的ABQGSA-SVM算法较其他同类型检测算法具有更好的鲁棒性、学习精度以及检测效果。     

改进正余弦算法优化特征选择及数据分类

针对传统正余弦算法（SCA）处理复杂优化问题时存在易得局部最优和收敛慢的不足,提出一种基于惯性权重与柯西混沌变异的改进正余弦算法IWCCSCA。首先设计了基于指数函数的曲线自适应振幅调整因子更新方法,用于均衡个体的全局搜索与局部开发能力;接着设计了自适应递减惯性权重更新机制,以改进个体位置更新方式,加快算法收敛;还设计了基于精英柯西混沌变异的个体扰动机制,以提升种群多样性,避免局部最优。利用8种基准函数寻优测试验证了IWCCSCA能够有效提升收敛速度和寻优精度。此外,将IWCCSCA应用于数据原始特征集中的特征子集选取问题,提出了基于IWCCSCA的特征选择算法IWCCSCA-FS。通过将正余弦函数的连续优化转换为特征选择的二进制优化,实现了个体位置与特征子集间的映射关系,以同步考虑特征选择量与分类准确率的适应度函数来评估候选解质量。UCI基准数据集的测试结果表明,IWCCSCA-FS算法可以有效选择最优特征子集,降低特征维度,提高数据分类准确率。     

改进海洋捕食者算法的特征选择

针对传统K近邻（K-nearest neighbor）方法用于数据分类存在分类精度低的问题，将特征选择与KNN分类方法结合，并利用改进海洋捕食者算法对数据特征进行优化研究。使用领域学习提供丰富邻域位置信息扩大海洋捕食者的搜索范围，引入维度变异机制增加种群多样性避免过早陷入局部最优，利用正余弦扰动算子和跳跃步长控制因子更新捕食者位置，加强全局搜索和局部搜索能力。将特征选择对象作为优化目标，获得所选的最优特征子集。通过对14个经典测试函数优化测试和14组经典数据集的分类研究，在优化性能、平均特征子集数和平均分类精度进行对比研究，实验结果表明所提算法能够有效降低冗余特征干扰，实现特征提纯，在数据挖掘中具有广阔的应用前景。     

反向学习全局和声搜索算法

提出一种反向学习全局和声搜索(OLGHS)算法.基于反向学习技术初始化和声记忆库,提高初始和声向量的质量;通过当前最差和声向当前最优和声学习进化,提高算法的全局搜索性能;通过其他和声向量之间不断回溯交互的随机学习策略,提高算法局部搜索性能;用由两种不同学习策略随机交叉动态产生的新和声与反向和声二者较优的个体更新和声记忆库,提高算法的搜索性能.将OLGHS算法与其他启发式优化算法以及目前文献中较优的改进HS算法进行性能测试,测试结果表明OLGHS算法具有较高的寻优精度和较快的收敛速度.     

离散型增强烟花算法和[kNN]在特征选择中的研究

特征选择是从原始特征集中选取特征子集,并且降低特征维度和减少冗余信息,从而达到提高分类准确度的效果。为了达到此效果,提出了新的特征选择算法。该算法使用经过离散化处理之后的增强烟花算法来搜索特征子集,同时将特征子集和经过惩罚因子处理之后约束条件融入到目标函数中,然后将搜索到的特征子集的数据放到[kNN]分类器进行训练和预测,最后使用十折交叉验证来检验分类的准确性。使用UCI数据进行仿真实验,仿真结果表明：与引导型烟花算法、烟花算法、蝙蝠算法、乌鸦算法、自适应粒子群算法相比,所提算法的总体性能优于其他五种算法。     

基于粗糙集相对分类信息熵和粒子群优化的特征选择方法

特征选择是指从初始特征全集中,依据既定规则筛选出特征子集的过程,是数据挖掘的重要预处理步骤。通过剔除冗余属性,以达到降低算法复杂度和提高算法性能的目的。针对离散值特征选择问题,提出了一种将粗糙集相对分类信息熵和粒子群算法相结合的特征选择方法,依托粒子群算法,以相对分类信息熵作为适应度函数,并与其他基于进化算法的特征选择方法进行了实验比较,实验结果表明本文提出的方法具有一定的优势。     

用于特征选择的乌鸦搜索算法的研究与改进

特征选择是机器学习领域的热点问题.元启发式算法作为特征选择的重要方法之一,其性能会对问题求解产生直接影响.乌鸦搜索算法（CSA）是受乌鸦智能群体行为启发提出的一种元启发式算法,由于其具有简单、高效的特点,广大学者将其用来解决特征选择问题.然而,CSA易陷入局部最优解且收敛速度较慢,严重限制了算法求解能力.针对这一问题,采用logistic混沌映射、反向学习方法和差分进化这3种算子,结合乌鸦搜索算法,提出一种特征选择算法BICSA来选取最优特征子集.实验阶段,使用UCI数据库中的16个数据集来测试BICSA的性能.实验结果表明,与其他特征选择算法相比,BICSA求得的特征子集具有更高的分类准确率和较高的维度压缩能力,这说明BICSA在处理特征选择问题上具有很强的竞争力与足够的优越性.     

自然进化策略的特征选择算法研究

特征选择是一种NP-难问题,旨在剔除数据集中不相关及冗余的特征来减少模型训练的时间,提高模型的精确度.因此,特征选择在机器学习、数据挖掘和模式识别等领域中是一种重要的数据预处理手段.提出一种新的基于自然进化策略的特征选择算法——MCC-NES.首先,算法采用了基于对角协方差矩阵建模并通过梯度信息自适应调整参数的自然进化策略;其次,为了使算法有效地处理特征选择问题,在初始化阶段引入了一种特征编码方式;之后,结合分类准确率和维度缩减给出了算法的适应度函数;此外,面对高维数据引入了合作协同进化的思想,将原问题分解为相对较小的子问题并分别对每个子问题独立求解,然后,通过所有子问题相互联系来优化原问题的解决方案;进一步引入分布式种群进化的概念,实现多个种群竞争进化来增加算法的探索能力,并设计了种群重启策略以防止种群陷入局部最优解.最后将提出的算法与几种传统的特征选择算法在一些UCI公共数据集上进行对比实验,实验结果显示：所提出的算法可以有效地完成特征选择问题,并且与经典特征选择算法相比有一定的竞争力,尤其是在处理高维数据时有着出色的表现.     

Feature selection method based on multi-fractal dimension and harmony search algorithm and its application

Feature selection is an important method of data preprocessing in data mining. In this paper, a novel feature selection method based on multi-fractal dimension and harmony search algorithm is proposed. Multi-fractal dimension is adopted as the evaluation criterion of feature subset, which can determine the number of selected features. An improved harmony search algorithm is used as the search strategy to improve the efficiency of feature selection. The performance of the proposed method is compared with that of other feature selection algorithms on UCI data-sets. Besides, the proposed method is also used to predict the daily average concentration of PM2.5 in China. Experimental results show that the proposed method can obtain competitive results in terms of both prediction accuracy and the number of selected features.     

基于量子遗传算法的特征选择算法

特征选择是模式识别和机器学习等领域中重要而困难的研究课题.提出一种最优特征子集评价准则和实现特征选择的一种新量子遗传算法(NQGA).NQGA采用量子门旋转角更新新方法和增强算法寻优能力及防止早熟收敛的移民和灾变策略.定性分析了NQGA的高效性.典型复杂函数测试和雷达辐射源信号特征选择的应用表明,NQGA寻优能力强、收敛速度快和能有效防止早熟现象.采用提出的准则函数和搜索策略实现特征选择,大大降低了特征维数,获得了更高的正确识别率.     

最小冗余最大分离准则特征选择方法

特征选择是处理高维数据的一项有效技术。针对传统方法的不足,结合[F-score]与互信息,提出了一种最小冗余最大分离的特征选择评价准则,该准则使所选择的特征具有更好的分类和预测能力;采用二进制布谷鸟搜索算法和二次规划两种搜索策略来搜索最优特征子集,并对两种搜索策略的准确性和计算量进行分析比较;最后,利用UCI数据集进行实验测试,实验结果说明了所提理论的有效性。     

基于中心距离比值准则的无监督特征选择算法

特征选择是模式识别中的一个重要组成部分。针对未知类标号的样本集,提出基于中心距离比值准则的无监督特征选择算法。该算法利用爬山法确定聚类数目范围和估计初始聚类中心,再通过K-均值聚类算法确定特征子集的最佳分类数,然后用中心距离比值准则来评价特征子集的分类性能,并通过特征间的相关性分析,从中选择出分类效果好,相关程度低的特征组成特征子集。     

基于Schatten-p范数和特征自表示的无监督特征选择

特征选择是去除不相关和冗余特征,找到具有良好泛化能力的原始特征的紧凑表示,同时,数据中含有的噪声和离群点会使学习获得的系数矩阵的秩变大,使得算法无法捕捉到高维数据中真实的低秩结构。因此,利用Schatten-p范数逼近秩最小化问题和特征自表示重构无监督特征选择问题中的系数矩阵,建立一个基于Schatten-p范数和特征自表示的无监督特征选择（SPSR）算法,并使用增广拉格朗日乘子法和交替方向法乘子法框架进行求解。最后在6个公开数据集上与经典无监督特征选择算法进行实验比较,SPSR算法的聚类精度更高,可以有效地识别代表性特征子集。