基于GA的多分类器融合算法

为了提高单一分类器的识别性能,在模式识别领域经常采用多分类器集成的方法。提出了一种基于GA的多分类器融合算法,首先通过GA算法对特征集的分割进行优化选择,形成了较优的成员分类器;然后通过对成员分类器分辨能力的度量,提出了一种加权系数矩阵的多分类器组合方法。在UCI数据库上进行了实验,结果表明所提出的算法具有较高的识别率。     

改进遗传算法和支持向量机的特征选择算法

提出了一种基于改进遗传算法的特征选择算法。该算法以支持向量机分类器的识别率作为特征选择的可分性判据,对传统遗传算法的交叉和选择操作进行了改进,实现了指定数目的特征选择。而且算法在特征选择的过程中,还同时优化了支持向量机分类器的两个参数。实验数据的特征选择实验表明,提出的算法仅以损失2.7%识别率的代价,得到的特征维数却是传统遗传算法的1/5,极大地简化了分类器设计的复杂度。     

利用邻域粗糙模型的差分演化特征选择方法

利用一种具有混合编码的二进制差分演化算法进行特征选择,并针对传统评价函数对样本邻域局部信息利用不足的问题,引入邻域粗糙集模型,省去了对数值型数据的离散化过程,同时分析了依赖度度量和邻域识别率度量可能存在的问题,综合两者提出加权邻域识别率,对特征子集适应度进行更好的评价.通过UCI数据进行实验,结果表明该方法能有效进行特征选择.     

模拟退火免疫粒子群算法在皮肤电信号情感识别中的应用

为了增强情感识别过程中皮肤电反应(GSR)信号特征选择的有效性,提出了一种改进的模拟退火免疫粒子群算法。首先,对342组被试6种情感的GSR信号进行去噪处理和原始特征提取;然后,将模拟退火机制引入到免疫粒子群(IPSO)算法的粒子更新过程中,使用新构造的模拟退火免疫粒子群(SA-IPSO)算法进行特征优化选择。实验表明:与IPSO相比,SA-IPSO能以较少特征获得较高的识别率,模拟退火机制的应用能更好地优化特征选择过程,且新的算法具有良好的全局收敛性能。     

MFA-DMFS：一种新的多分类器融合方法及其应用研究*

针对分类器的构建,在保证基分类器准确率和差异度的基础上,提出了采用差异性度量特征选择的多分类器融合算法(multi-classifier fusion algorithm based on diversity measure for feature selection,MFA-DMFS)。该算法的基本思想是在原始特征集中采用Relief特征评估结果按权值大小选择特征,构造特征子集,通过精调使各特征子集间满足一定的差异性,从而构建最优的基分类器。MFA-DMFS不但能提高基分类器的准确率,而且保持基分类器间的差异,克服差异性和平均准确率之间存在的相互制约,并实现这两方面的平衡。在UCI数据集上与基于Bagging、Boosting算法的多分类器融合系统进行了对比实验,实验结果表明,该算法在准确率和运行速度方面优于Bagging和Boosting算法,此外在图像数据集上的检索实验也取得了较好的分类效果。     

GMRF随机场在纹理特征描述与识别中的应用

为了建立描述自然纹理的参数体系,选用木材这种典型自然纹理为研究对象。提取了木材纹理的5阶GMRF参数,为了降低运算量,采用改进的模拟退火算法进行参数的优化与选择,形成了描述木材纹理最优GMRF参数体系,并将其送入分类器进行分类识别。实验结果表明：集成神经网络的总体分类识别率为94.0%,近邻分类器的总体识别率为91.0%,获得了较高的分类识别率。说明用该参数体系对木材纹理进行分类识别是可行的,该参数体系也可用于与木材纹理相近的自然纹理的描述。     

基于XGBoost特征选择的疾病诊断XLC-Stacking方法

针对医学疾病数据中存在特征冗余的问题,以XGBoost特征选择方法度量特征重要度,删除冗余特征,选择最佳分类特征;针对识别精度不高的问题,使用Stacking方法集成XGBoost、LightGBM等多种异质分类器,并在异质分类器中引入性能更好的CatBoost分类器提升集成分类器分类精度。为了避免过拟合,选择基层分类器输出的分类概率作为高层分类器输入。实验结果表明,提出的基于XGBoost特征选择的XLC-Stacking方法相比当前主流分类算法以及单一的XGBoost算法和Stacking方法有较大提升,识别的准确率和F1-Score达到97.73%和98.21%,更加适用于疾病的诊断。     

基于智能算法的生理信号情感识别

针对基于生理信号的情感识别问题,采用具有模拟退火机制的遗传算法、最大最小蚁群算法和粒子群算法来进行特征选择,用Fisher分类器对高兴、惊奇、厌恶、悲伤、愤怒和恐惧6种情感进行分类,获得了较高的识别率,并找出了对情感识别系统模型的构建具有较好性能的特征组合,建立了对6类情感具有预测能力的识别系统。     

一种基于核主成分分析和组合分类器的虹膜识别方法

提出了一种新的虹膜特征提取与识别方法,该方法利用核主成分分析 （KPCA）在高维空间具有较强的特征选择能力来提取虹膜图像的纹理特征。采用了一种距 离度量和支持向量机相结合的两级分类方法,前级采用欧式距离来度量图像间的相似性,若 符合条件,给出分类结果,否则拒绝,并转入后一级分类器——支持向量机分类,以减少进 入支持向量机的样本数目,该组合分类方法充分利用了支持向量机识别率高和距离度量速度 快的优点。实验结果表明,该方法提高了虹膜识别率,是一种有效的虹膜识别方法。     

基于信息增益的多标签特征选择算法

多标签特征选择是一种提高多标签分类器性能的技术。针对目前这类技术在给出合理特征子集合时无法同时兼顾计算复杂度和标签间的相关性的问题,提出一种基于信息增益的多标签分类算法。该算法假设特征之间相互独立,首先使用单个特征与整个标签集合之间的信息增益来度量这两者的关联程度,再根据阈值删除不相关的特征以得到最优特征子集合。实验表明,该算法能有效地提高多标签分类器的分类性能。     

基于退火遗传算法的多路径测试用例生成*

针对遗传算法在多路径测试用例自动生成中的不足,提出基于退火遗传算法的生成方法。对遗传算法的适应度函数进行优化设计,以满足多路径测试用例生成。同时在算法中引入路径存储机制,从而增强测试用例自动生成的功效。在提高算法的局部搜索能力方面,对遗传算法的两点交叉算子进行改进,并引入模拟退火算法到变异操作。三角形判断程序的测试用例生成实验结果,验证了该方法的有效性。     

基于模拟退火遗传算法的贝叶斯分类

朴素贝叶斯分类器是一种简单而高效的分类器，但是其属性独立性假设限制了对实际数据的应用。文章提出一种新的算法，该算法为避免数据预处理时的属性约简对分类效果的直接影响，在训练集上通过随机属性选取生成若干属性子集，以这些子集构建相应的朴素贝叶斯分类器，采用模拟退火遗传算法进行优选。实验表明，与传统的朴素贝叶斯方法相比，该方法具有更好的性能。     

OPTIMAL FEATURE SET AND PARAMETER SELECTION FOR POWER QUALITY DATA MINING

The significance of detection and classification of power quality (PQ) events that disturb the voltage and/or current waveforms in electrical power distribution networks is well known. Consequently, in spite of a large number of research reports in this area, research on the selection of useful features from the existing feature set and the parameter selection for specific classifiers has thus far not been explored. The choice of a smoothing parameter for a probabilistic neural network classifier (PNN) in the training process, together with feature selection, will significantly impact the classification accuracy. In this work, a thorough analysis is carried out, using two wrapper-based optimization techniques—the genetic algorithm and simulated annealing—for identifying the ensemble of celebrated features obtained using discrete wavelet transform together with the smoothing parameter selection of the PNN classifier. As a result of these analyses, the proper smoothing parameter together with a more useful feature set from among a wider set of features for the PNN classifier is obtained with improved classification accuracy. Furthermore, the results show that the performance of simulated annealing is better than the genetic algorithm for feature selection and parameter optimization in Power Quality Data Mining.     

基于模拟退火遗传算法的软件测试数据自动生成

提出了一种应用于软件测试中的基于模拟退火遗传算法的测试数据自动生成算法。该算法针对测试数据自动生成的特点将遗传算法和模拟退火有机结合,充分发挥遗传算法的全局搜索和模拟退火的局部搜索优势,提高了测试数据的生成能力。实验结果表明,该算法在测试数据自动生成的效率和效果方面,优于遗传算法。     

基于全局和声搜索的模拟退火算法改进

本文针对传统的模拟退火算法存在收敛速度慢的问题,采用全局和声搜索算法对其进行了改进,即在保持模拟退火原有机制的基础上,使用一个函数随机产生模拟退火算法的初始解,采用全局和声搜索算法中产生候选解的方法产生新解。该方法的优点在于保留中间最优解并及时更新,从而既保证了优化质量又提高了算法的搜索效率。最后,采用benchmark测试函数进行仿真,仿真实验结果表明,该方法在收敛速度及优化质量上都优于传统的模拟退火及其它算法,值得进一步研究。     

基于曲率图小波分解的平面曲线光顺方法*

将模拟退火遗传算法用于聚类分析，通过对聚类中心进行编码，定义适应度函数，选择、交叉、变异操作以及模拟退火算法的运用，给出了一种新的基于模拟退火遗传算法的聚类算法，实验结果显示该方法优于基本的遗传算法。     

A direct search variant of the simulated annealing algorithm for optimization involving continuous variables

A memory-based simulated annealing algorithm is proposed which fundamentally differs from the previously developed simulated annealing algorithms for continuous variables by the fact that a set of points rather than a single working point is used. The implementation of the new method does not need differentiability properties of the function being optimized. The method is well tested on a range of problems classified as easy, moderately difficult and difficult. The new algorithm is compared with other simulated annealing methods on both test problems and practical problems. Results showing an improved performance in finding the global minimum are given.Scope and purposeThe inherent difficulty of global optimization problems lies in finding the very best optimum (maximum or minimum) from a multitude of local optima. Many practical global optimization problems of continuous variables are non-differentiable and noisy and even the function evaluation may involve simulation of some process. For such optimization problems direct search approaches are the methods of choice. Simulated annealing is a stochastic global optimization algorithm, initially designed for combinatorial (discrete) optimization problems. The algorithm that we propose here is a simulated annealing algorithm for optimization problems involving continuous variables. It is a direct search method. The strengths of the new algorithm are: it does not require differentiability or any other properties of the function being optimized and it is memory-based. Therefore, the algorithm can be applied to noisy and/or not exactly known functions. Although the algorithm is stochastic in nature, it can memorise the best solution. The new simulated annealing algorithm has been shown to be reliable, fast, general purpose and efficient for solving some difficult global optimization problems.     

PSOSA混合优化策略

本文提出了一种微粒群算法与模拟退火算法相结合的混合优化方法，该方法在群体进化的每一代中，首先通过微粒群算法的进化方法来控制微粒的飞行方向，然后利用模拟退火算法来拓展其搜索领域。这样既可以利用微粒群算法的收敛快速性，又可以利用模拟退火算法的全局收敛性。本文还证明了该混合优化方法依概率1收敛于全局最优解。仿
真结果表明，在搜索空间维数增大时，该方法的全局收敛性明显优于基本微粒群算法。     

模拟退火遗传算法在DOA估计技术中的应用

将模拟退火思想融入到遗传算法中,形成了另一种优化算法,即模拟退火遗传算法,将其应用于加权子空间（WSF）算法的目标方位（DOA）估计技术中,以求降低WSF算法的运算复杂度,提高DOA估计精度,同时又解决了基本遗传算法在DOA估计中易陷入局部最优、后期搜索迟钝等问题。计算机仿真结果表明：采用模拟退火遗传算法的DOA估计技术在低信噪比条件下比采用基本遗传算法、高斯-牛顿算法有更高的分辨概率,更小的均方误差。     

A simple simulated annealing algorithm for the maximum clique problem

Simulated annealing technique has mostly been used to solve various optimization and learning problems, and it is well known that the maximum clique problem is one of the most studied NP-hard optimization problems owing to its numerous applications. In this note, a simple simulated annealing algorithm for the maximum clique problem is proposed and tested on all 80 DIMACS maximum clique instances. Although it is simple, the proposed simulated annealing algorithm is efficient on most of the DIMACS maximum clique instances. The simulation results show that the proposed simulated annealing algorithm outperforms a recent efficient simulated annealing algorithm proposed by Xu and Ma, and the solutions obtained by the proposed simulated annealing algorithm have the equal quality with those obtained by a recent trust region heuristic algorithm of Stanislav Busygin.