本文關(guān)鍵詞：基于群密度的改進果蠅優(yōu)化算法及在異常檢測中的應(yīng)用　出處：《工程科學(xué)與技術(shù)》2017年05期 　論文類型：期刊論文

  更多相關(guān)文章： 果蠅算法 收斂穩(wěn)定性 全局搜索 局部搜索 異常檢測

【摘要】：針對傳統(tǒng)果蠅算法面臨的收斂穩(wěn)定性差、難以協(xié)調(diào)全局搜索及局部搜索能力等缺點,提出一種基于群密度的改進果蠅優(yōu)化算法。首先,借鑒現(xiàn)有算法的優(yōu)勢,將果蠅種群分為搜索果蠅和跟隨果蠅,并分別使用兩類果蠅進行全局化搜索與局部精細化搜索。然后,為提高算法全局搜索的穩(wěn)定性,在每次迭代過程中使用基于最優(yōu)區(qū)間回避的分區(qū)采樣策略更新搜索果蠅的位置;該策略在每次迭代過程中獲得表現(xiàn)最優(yōu)的若干只果蠅以構(gòu)造最優(yōu)果蠅組,根據(jù)最優(yōu)果蠅組中果蠅個體在每個維度上的取值范圍確定最優(yōu)區(qū)間,并通過對最優(yōu)區(qū)間外的其他區(qū)間分區(qū)采樣以確定搜索果蠅的新位置。最后,為協(xié)調(diào)算法的全局搜索能力與局部搜索能力,引入群密度的概念,通過計算果蠅群密度并結(jié)合相關(guān)閾值實現(xiàn)不同種群規(guī)模的動態(tài)調(diào)整。針對典型測試函數(shù)的實驗結(jié)果表明,基于最優(yōu)區(qū)間回避的分區(qū)采樣策略相對于傳統(tǒng)隨機函數(shù)具有更強的全局優(yōu)化性能。與傳統(tǒng)優(yōu)化算法相比,本文算法在保證收斂速度的同時獲得了較高的尋優(yōu)精度及穩(wěn)定性,在綜合性能上得到明顯提升。在KDDcup99數(shù)據(jù)集上的異常檢測仿真實驗結(jié)果表明,本文基于分區(qū)采樣及群密度的果蠅優(yōu)化算法能有效避免局部最優(yōu),在獲取異常檢測分類器的重要參數(shù)最佳取值方面起到一定作用。
[Abstract]:Aiming at the shortcomings of the traditional Drosophila algorithm, such as poor convergence stability, difficult to coordinate global search and local search ability, an improved Drosophila optimization algorithm based on group density is proposed. Firstly, the advantages of the existing algorithms are used for reference. The fruit fly population is divided into search fruit fly and follow fruit fly, and two kinds of fruit fly are used for global search and local refinement search respectively. Then, to improve the stability of the algorithm global search. During each iteration, the location of the search fruit fly is updated by using the partition sampling strategy based on optimal interval avoidance. In this strategy, several flies with the best performance were obtained during each iteration to construct the optimal Drosophila group, and the optimal interval was determined according to the value range of the individual in each dimension in the optimal Drosophila group. The new location of the search fruit fly is determined by sampling other regions outside the optimal interval. Finally, the concept of group density is introduced to coordinate the global search ability and the local search ability of the algorithm. By calculating the population density of Drosophila and combining with the correlation threshold, the dynamic adjustment of different population size is realized. The experimental results of typical test function show that. Compared with the traditional random function, the partition sampling strategy based on optimal interval avoidance has better global optimization performance than the traditional optimization algorithm. In this paper, the convergence speed is guaranteed and the optimization accuracy and stability are obtained, and the performance of the algorithm is improved obviously. The simulation results of anomaly detection on KDDcup99 data set show that the proposed algorithm has good performance. In this paper, the optimal algorithm based on partition sampling and group density can effectively avoid local optimization and play a certain role in obtaining the best value of important parameters of anomaly detection classifier.
【作者單位】： 中央財經(jīng)大學(xué)信息學(xué)院;天津財經(jīng)大學(xué)理工學(xué)院;
【基金】：北京市自然科學(xué)基金資助項目(4174105) 中央財經(jīng)大學(xué)學(xué)科建設(shè)基金資助項目(2016XX02) 國家自然科學(xué)基金重點支持項目 NSFC-浙江兩化融合聯(lián)合基金項目資助(U1509214)
【分類號】：TP18
【正文快照】： 啟發(fā)式優(yōu)化算法具有智能性、并行性、漸進性、隨機性等基本特點,近年來引起了眾多學(xué)者的廣泛研究,目前已成功應(yīng)用于科學(xué)、工程和金融等領(lǐng)域。然而,傳統(tǒng)啟發(fā)式優(yōu)化算法(如粒子群算法[1]、遺傳算法[2]、調(diào)和搜索算法[3]等)在參數(shù)依賴性、計算復(fù)雜性、收斂速度、優(yōu)化精度等方面面

【相似文獻】

相關(guān)期刊論文 前10條

1 任慶生,葉中行,曾進;進化算法的收斂速度[J];上海交通大學(xué)學(xué)報;1999年06期

2 齊潔;汪定偉;;極值優(yōu)化算法綜述[J];控制與決策;2007年10期

3 孫騫;張進;王宇翔;;蟻群算法優(yōu)化策略綜述[J];信息安全與技術(shù);2014年02期

4 胡娟,王常青,韓偉,全智;蟻群算法及其實現(xiàn)方法研究[J];計算機仿真;2004年07期

5 李金漢;杜德生;;一種改進蟻群算法的仿真研究[J];自動化技術(shù)與應(yīng)用;2008年02期

6 李修琳;魯建廈;柴國鐘;湯洪濤;;混合蜂群算法求解柔性作業(yè)車間調(diào)度問題[J];計算機集成制造系統(tǒng);2011年07期

7 秦全德;程適;李麗;史玉回;;人工蜂群算法研究綜述[J];智能系統(tǒng)學(xué)報;2014年02期

8 李豆豆;邵世煌;齊金鵬;;生存遷移算法[J];系統(tǒng)仿真學(xué)報;2008年08期

9 曹炬;賈紅;李婷婷;;煙花爆炸優(yōu)化算法[J];計算機工程與科學(xué);2011年01期

10 劉曉勇;付輝;;一種快速AP聚類算法[J];山東大學(xué)學(xué)報(工學(xué)版);2011年04期

相關(guān)會議論文 前2條

1 朱雙東;艾智斌;閻夏;;BP網(wǎng)絡(luò)學(xué)習(xí)算法的改進方案探析[A];1998年中國智能自動化學(xué)術(shù)會議論文集（上冊）[C];1998年

2 唐乾玉;陳翰馥;韓曾晉;;串行生產(chǎn)線的參數(shù)優(yōu)化[A];1994年中國控制會議論文集[C];1994年

相關(guān)博士學(xué)位論文 前2條

1 王可心;大規(guī)模過程系統(tǒng)非線性優(yōu)化的簡約空間理論與算法研究[D];浙江大學(xué);2008年

2 傅啟明;強化學(xué)習(xí)中離策略算法的分析及研究[D];蘇州大學(xué);2014年

相關(guān)碩士學(xué)位論文 前10條

1 馬英鈞;基于人工蜂群算法的約束優(yōu)化問題研究[D];華中師范大學(xué);2015年

2 孫方亮;基于粒子群與中心引力的一種新混合算法及應(yīng)用[D];西安電子科技大學(xué);2014年

3 張德祥;基于改進蟻群算法的機器人三維路徑規(guī)劃研究[D];青島科技大學(xué);2015年

4 盧協(xié)平;聯(lián)盟競賽算法的研究與應(yīng)用[D];福州大學(xué);2014年

5 代水芹;基于種群分解的進化超多目標(biāo)算法及其應(yīng)用[D];廣東工業(yè)大學(xué);2016年

6 李倩;支持張量機的切平面算法研究[D];華南理工大學(xué);2016年

7 姚洪曼;基于改進人工蜂群算法的模糊聚類研究[D];廣西大學(xué);2016年

8 丁亞英;基于局部搜索和二進制的改進人工蜂群算法[D];南京師范大學(xué);2016年

9 楊杰;基于粒子群優(yōu)化算法的不確定聚類技術(shù)研究[D];北方民族大學(xué);2016年

10 周雨鵬;基于鴿群算法的函數(shù)優(yōu)化問題求解[D];東北師范大學(xué);2016年

，

本文編號：1432236