自然计算混合算法在特征选择中的应用研究

发布时间：2021-10-29 12:13

　　随着大数据时代的到来,人们所能获取的数据的量与维度也越来越高,对数据的处理与分析过程中必须对原始数据进行降维处理。而对特征的选择是一个复杂的组合优化问题,因此基于自然计算相关算法求解特征选择问题得到了广泛的研究和关注。然而理论和实践证明,任何一个算法都不能解决所有优化问题,同时单一算法本身性能存在局限,要想取得更加令人满意的结果,可以将两种或多种算法,按照某种规则组合使用,形成混合算法,在保留单一算法全局或局部搜索特性的同时,弥补了单一算法相对较弱的局部或全局搜索能力,在求解复杂优化问题中拥有良好的应用潜力。本文通过实验分析与比较选取了三种算法,并提出了三种基于所选算法不同混合规则的混合算法,同时将混合算法应用于特征选择问题的求解中,主要工作如下:1.分析了单一算法独立优化时存在的局限,通过对参与讨论的算法进行单峰、多峰与复合函数测试,从实验结果整体分析得出单一算法在独立优化时很难同时拥有优秀的全局搜索与局部开发能力,而单个算法也不能适应所有优化问题,验证了算法混合的必要性和理论基础。另一方面通过对不同问题结果的对比与分析,本文总结了常见不同种类自然计算算法的全局搜索与局部开发性能特性... 

【文章来源】：湖北工业大学湖北省

【文章页数】：92 页

【学位级别】：硕士

【部分图文】：

遗传算法交叉示意图

湖北工业大学硕士学位论文8图2.2遗传算法变异示意图最后对于遗传算法中最重要的操作即对达尔文自然选择学说的应用，通过选择操作从群体中逐渐选择优秀的个体，使得群体朝有利于目标的方向发展。常见的选择方式有轮盘赌选择法，随机遍历抽样法与锦标赛选择法等，本文以轮盘赌选择法为例：假设适应度函数为2)(xxf，初始化种群为：S1=00101(2)=5(10)S2=01001(2)=9(10)S3=00011(2)=3(10)S4=11001(2)=25(10)计算对应适应度函数值：S1=25，S2=81，S3=9，S4=625分别计算个体的选择概率与累积概率如图2.3所示，最后通过从区间[0,1]中产生随机数，r1=0.5884，r2=0.0717，r3=0.2820，r4=0.8893，则最终个体选中次数如表2.1所示。

湖北工业大学硕士学位论文9表2.1个体轮盘赌选择示意表个体适应度函数选择概率累积概率选择次数S1=0101250.1150.1151S2=01001810.21390.32891S3=0001190.00770.40590S4=110016250.594112图2.3轮盘赌选择示意图2.1.2差分进化算法差分进化算法（differentialevolution，DE）是由R.Storn和K.Price为求解切比雪夫多项式问题而提出的一种采用实数编码、在连续空间进行随机搜索[35,36]。差分进化算法是基于群体迭代的一种进化算法，其通过群体内个体间的合作与竞争进行优化搜索，相比于进化算法其保留了基于种群的全局搜索策略，通过采用实数编码和基于差分的简单变异操作，以及竞争生存策略，降低了进化算法的复杂性，使得其在求解复杂问题有较优的性能与效果。基本差分进化算法操作同样有初始化、变异、交叉、选择，其详细说明如下：初始化，对于d维的第i个个体，可以表示为:(2-1)其中t为进化代数；变异，基本差分进化算法变异向量由下式产生：


本文编号：3464636