隨著大數(shù)據(jù)時代的到來,人們所能獲取的數(shù)據(jù)的量與維度也越來越高,對數(shù)據(jù)的處理與分析過程中必須對原始數(shù)據(jù)進行降維處理。而對特征的選擇是一個復雜的組合優(yōu)化問題,因此基于自然計算相關算法求解特征選擇問題得到了廣泛的研究和關注。然而理論和實踐證明,任何一個算法都不能解決所有優(yōu)化問題,同時單一算法本身性能存在局限,要想取得更加令人滿意的結(jié)果,可以將兩種或多種算法,按照某種規(guī)則組合使用,形成混合算法,在保留單一算法全局或局部搜索特性的同時,彌補了單一算法相對較弱的局部或全局搜索能力,在求解復雜優(yōu)化問題中擁有良好的應用潛力。本文通過實驗分析與比較選取了三種算法,并提出了三種基于所選算法不同混合規(guī)則的混合算法,同時將混合算法應用于特征選擇問題的求解中,主要工作如下:1.分析了單一算法獨立優(yōu)化時存在的局限,通過對參與討論的算法進行單峰、多峰與復合函數(shù)測試,從實驗結(jié)果整體分析得出單一算法在獨立優(yōu)化時很難同時擁有優(yōu)秀的全局搜索與局部開發(fā)能力,而單個算法也不能適應所有優(yōu)化問題,驗證了算法混合的必要性和理論基礎。另一方面通過對不同問題結(jié)果的對比與分析,本文總結(jié)了常見不同種類自然計算算法的全局搜索與局部開發(fā)性能特性... 

【文章來源】：湖北工業(yè)大學湖北省

【文章頁數(shù)】：92 頁

【學位級別】：碩士

【部分圖文】：

遺傳算法交叉示意圖

湖北工業(yè)大學碩士學位論文8圖2.2遺傳算法變異示意圖最后對于遺傳算法中最重要的操作即對達爾文自然選擇學說的應用，通過選擇操作從群體中逐漸選擇優(yōu)秀的個體，使得群體朝有利于目標的方向發(fā)展。常見的選擇方式有輪盤賭選擇法，隨機遍歷抽樣法與錦標賽選擇法等，本文以輪盤賭選擇法為例：假設適應度函數(shù)為2)(xxf，初始化種群為：S1=00101(2)=5(10)S2=01001(2)=9(10)S3=00011(2)=3(10)S4=11001(2)=25(10)計算對應適應度函數(shù)值：S1=25，S2=81，S3=9，S4=625分別計算個體的選擇概率與累積概率如圖2.3所示，最后通過從區(qū)間[0,1]中產(chǎn)生隨機數(shù)，r1=0.5884，r2=0.0717，r3=0.2820，r4=0.8893，則最終個體選中次數(shù)如表2.1所示。

湖北工業(yè)大學碩士學位論文9表2.1個體輪盤賭選擇示意表個體適應度函數(shù)選擇概率累積概率選擇次數(shù)S1=0101250.1150.1151S2=01001810.21390.32891S3=0001190.00770.40590S4=110016250.594112圖2.3輪盤賭選擇示意圖2.1.2差分進化算法差分進化算法（differentialevolution，DE）是由R.Storn和K.Price為求解切比雪夫多項式問題而提出的一種采用實數(shù)編碼、在連續(xù)空間進行隨機搜索[35,36]。差分進化算法是基于群體迭代的一種進化算法，其通過群體內(nèi)個體間的合作與競爭進行優(yōu)化搜索，相比于進化算法其保留了基于種群的全局搜索策略，通過采用實數(shù)編碼和基于差分的簡單變異操作，以及競爭生存策略，降低了進化算法的復雜性，使得其在求解復雜問題有較優(yōu)的性能與效果。基本差分進化算法操作同樣有初始化、變異、交叉、選擇，其詳細說明如下：初始化，對于d維的第i個個體，可以表示為:(2-1)其中t為進化代數(shù)；變異，基本差分進化算法變異向量由下式產(chǎn)生：


本文編號：3464636