亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        支持向量機輔助演化的算術優(yōu)化算法及其應用

        2022-12-22 11:45:56露,劉
        計算機工程與應用 2022年24期
        關鍵詞:測試函數(shù)特征選擇適應度

        田 露,劉 升

        上海工程技術大學 管理學院,上海 201620

        近年來,啟發(fā)式算法在工程優(yōu)化問題中越來越受歡迎,由于它們具有易于實現(xiàn)、無需梯度信息、躲避局部最優(yōu)等優(yōu)勢,可以很好地滿足不同領域實際問題的需求[1]。目前啟發(fā)式算法已被應用于參數(shù)優(yōu)化、特征優(yōu)化、集成約簡、原型優(yōu)化、加權投票集成以及核函數(shù)學習等機器學習領域[2-3]。

        Abualigah等人于2021年受數(shù)學計算方法中算術運算符啟發(fā)提出了算術優(yōu)化算法(arithmetic optimization algorithm,AOA)[4]。該算法利用運算符的分布特性從候選解中尋找最優(yōu)解,由于其具有較好的尋優(yōu)性能,目前已被應用到一些問題中,如文獻[5]使用差分進化算法增強AOA的局部開發(fā)能力,并應用于多閾值分割問題中;文獻[6]使用高斯變異和正弦混沌策略改進AOA,以提升質子交換膜燃料電池模型識別的準確性;文獻[7]使用擁擠距離機制和精英非優(yōu)勢排序策略改進AOA,并用于求解多目標優(yōu)化問題;文獻[8]將SMA和AOA結合并利用隨機反向學習策略提高收斂速度,提出了隨機反向學習策略的黏菌與算術混合優(yōu)化算法;文獻[9]將灰狼信息反饋機制與反向學習引入AOA,并對非線性收斂系數(shù)MOP建立修正模型,提出了具有激活機制的多頭反向串聯(lián)算術優(yōu)化算法。

        上述改進雖然提高了算法的尋優(yōu)性能,但由于進化過程中種群規(guī)模始終不變,改進策略僅在有限的種群數(shù)量內增加了種群多樣性。為了進一步提高算法性能,本文從增加演化過程中種群數(shù)量的角度對AOA進行改進。AOA算法的子代生成方式為僅向當前全局最優(yōu)解靠近,該策略使種群中其他個體攜帶的信息沒有得到充分利用,種群多樣性也較差,算法極易陷入局部最優(yōu)解。因此本文引入平衡優(yōu)化器算法中的平衡池概念,充分利用種群中個體包含的信息,通過四種突變策略及其平均候選解,增加種群的多樣性。但考慮到隨著平衡池中個體數(shù)量的增加,個體評價次數(shù)也隨之增加,同時平衡池中較差個體所攜帶的信息也會對算法演化產生不利影響。因此,本文使用支持向量機對平衡池中的個體進行分類,首先對適應度值和距離進行歸一化處理,并將二者轉化為個體留存率,用該指標將個體劃分為優(yōu)勢個體和劣勢個體;然后將其轉化為訓練集用以訓練支持向量機模型;最后用訓練好的模型從平衡池中選出優(yōu)勢個體,保留前N個個體用于構建下一代平衡池。通過將SVMAOA與其他算法在基準測試函數(shù)與特征選擇問題上驗證表明SVMAOA具有較優(yōu)的性能。

        1 算術優(yōu)化算法

        算術優(yōu)化算法根據(jù)運算符不同的分布特性,在搜索空間內中尋找最優(yōu)解。由于除法運算符(D)和乘法運算符(M)具有發(fā)散的性質,搜索過程中步長較長,可以保證在搜索前期對搜索區(qū)域充分探索,避免陷入局部最優(yōu)解。而減法運算符(S)和加法運算符(A)具有收斂的性質,搜索過程中步長短,可以保證在搜索后期對在幾個密集區(qū)域上對搜索區(qū)域進行深入探索搜索區(qū)域充分開發(fā),增強局部尋優(yōu)能力。

        1.1 數(shù)學優(yōu)化加速函數(shù)

        在算法開始尋優(yōu)前,需要選擇搜索階段。設定隨機參數(shù)r1∈[0,1]與數(shù)學優(yōu)化加速函數(shù)(math optimizer accelerated,MOA)用于選擇搜索階段(即探索或開發(fā))。當r1

        其中,C_Iter為當前迭代次數(shù),M_Iter為最大迭代次數(shù)。Min=0.2表示加速函數(shù)的最小值,Max=0.7表示加速函數(shù)的最大值。

        1.2 探索階段

        AOA在全局探索階段基于除法搜索策略和乘法搜索策略搜索,位置更新公式如下:

        其中,r2∈[0,1],當r2<0.5時,采用除法策略,否則采用乘法策略。μ為搜索過程控制參數(shù),用以調節(jié)搜索過程,值為0.499。

        為探索解空間的不同區(qū)域,保證解的多樣化,更新公式中考慮了一個隨機參數(shù),即數(shù)學優(yōu)化概率(math optimizer probability,MOP),MOP計算公式如下:

        其中,α為敏感參數(shù),定義了迭代過程中的開發(fā)精度,值為5。

        1.3 開發(fā)階段

        AOA在局部開發(fā)階段基于加法搜索策略和減法搜索策略進行搜索。位置更新公式如下:

        其中,r3∈[0,1],當r3<0.5時,采用減法策略,否則采用加法策略。

        2 支持向量機

        支持向量機(support vector machine,SVM)是機器學習領域中經典的分類算法之一,由Cortes等人于1995年提出[10]。SVM的核心思想是尋找一個保證分類精度的同時,使分類間隔最大化的最優(yōu)分類超平面。算數(shù)優(yōu)化算法在尋優(yōu)過程中,用于將個體劃分為優(yōu)勢個體和劣勢個體,因此可以將其視作一個二分類問題。其中,種群中所有個體xi(i=1,2,…,N)為樣本集,N為種群中個體數(shù)量,個體的優(yōu)劣為yi={ }

        1,-1。

        3 支持向量機改進的算術優(yōu)化算法

        3.1 構建平衡池

        AOA的個體更新方式為向當前全局最優(yōu)個體收斂,這種更新策略雖然能夠達到快速收斂的效果,但當前全局最優(yōu)個體若為局部最優(yōu)解而非真正的全局最優(yōu)解時,該策略極易導致算法陷入局部最優(yōu)。同時,AOA算法沒有充分利用除當前全局最優(yōu)個體以外的其他個體,忽略了種群其他個體所包含的信息,導致種群多樣性和全局搜索能力較差。

        因此,本文引入平衡優(yōu)化器算法中平衡池的概念,池中除原始AOA算法子代生成方式外,還引入了基于成功歷史的自適應差分算法(success-history based adaptive DE,SHADE)的四種突變策略(DE/rand/1、DE/best/1、DE/rand/2和DE/best/2)生成的個體,以及以上個體的平均候選解,并根據(jù)演化階段自適應地選擇策略。

        在探索階段,增加的兩種子代位置生成公式和平均候選解公式如下:

        在開發(fā)階段,增加兩種子代位置生成公式平均候選解公式如下:

        其中,xri,t為第t代種群中除當前全局最優(yōu)個體外隨機選擇的第i個個體,xpbest,t是從當前種群中隨機選擇適應度值排名在前100p%中的個體。

        MOP為服從柯西分布的隨機數(shù),其中μMOP初始值為0.5,1/c∈[5,20]。

        公式中的MOP參數(shù)隨迭代次數(shù)的增加自適應地調整搜索步長。以上操作既保證了算法的收斂性,又避免僅向當前全局最優(yōu)個體收斂,保持了種群多樣性。本文使用測試函數(shù)對改進的SVMAOA算法與原始AOA算法的求解精度和收斂速度進行對比,以驗證構建平衡池策略的有效性。

        3.2 支持向量機分類策略

        針對AOA算法種群多樣性較差的特點,上文提出了構建平衡池策略以增加種群多樣性。由于僅參考適應度值可能導致種群多樣性的喪失,不能充分利用和探索未知的搜索空間,因此本文綜合考慮適應度值和個體間距離,并將其轉化為個體留存概率。同時當個體數(shù)量增加時,若對所有個體都進行適應度值評價,運行時間不可避免地會增加,因此本文使用支持向量機依據(jù)個體留存概率對平衡池中所有個體進行分類,在進化過程中保留優(yōu)勢個體,丟棄劣勢個體。

        分類問題中的數(shù)據(jù)集以(X,D)的形式存在,本文中子代個體為D為留存標志。將子代個體按留存率進行降序排列,并使用n%的比例對數(shù)據(jù)集進行劃分,對前100p%的個體標記為1,代表保留,對剩余個體標記-1,代表丟棄。留存率由適應度值與個體間距離共同決定,為使適應度值與個體間距離處于同一數(shù)量級,對二者進行歸一化處理,計算公式如下:

        其中,ymax和ymin分別為最大和最小適應度函數(shù)值,Dmax和Dmin分別為Di的最大和最小值,ε為一個極小值以避免出現(xiàn)零除法。

        使用支持向量機輔助進化策略步驟如下:

        步驟1計算種群中每個個體的留存率;

        步驟2根據(jù)留存率轉換為訓練數(shù)據(jù)集;

        步驟3利用數(shù)據(jù)集訓練分類器;

        步驟4使用上一代保留的個體構建平衡池;

        步驟5用分類器對個體分類,保留優(yōu)勢個體;

        步驟6根據(jù)適應度值對優(yōu)勢個體排名,選擇前N個個體作為下一代種群。

        使用支持向量機輔助進化的算術優(yōu)化算法(SVMAOA)偽代碼如下:

        開始

        初始化主要參數(shù)設置初始化種群

        計算種群中每個個體的留存率

        根據(jù)留存率將其轉換為訓練數(shù)據(jù)集

        利用數(shù)據(jù)集訓練分類器

        while t

        根據(jù)式(1)更新MOA

        if r1

        使用式(2)、(5)、(6)、(7)生成子代個體及其平均候選解放入平衡池

        Else

        使用式(4)、(8)、(9)、(10)生成子代個體及其平均候選解放入平衡池

        end if

        通過分類器對平衡池中個體進行分類,保留優(yōu)勢個體

        對優(yōu)勢個體進行排序,保留前N個個體

        t=t+1;

        end while

        返回最佳位置

        結束

        SVMAOA具體實現(xiàn)流程如圖1所示。

        圖1 SVMAOA算法流程圖Fig.1 Flow chart of SVMAOA algorithm

        3.3 時間復雜度

        SVMAOA的計算復雜度分為以下幾部分:初始化過程、訓練分類器、構建平衡池解、對平衡池內所有個體進行分類以及排序。設算法的種群規(guī)模為N,問題維度為D,最大迭代次數(shù)為T,則算法的時間復雜度如下。

        初始化階段的復雜度為O(N×D),計算個體留存率為O(N);訓練分類器的時間復雜度為O(N lg N);構建平衡池的時間復雜度為O(N×D×3);使用分類器對平衡池內所有個體進行分類的時間復雜度為O(N×D×3);設優(yōu)勢個體的比例為α,則計算優(yōu)勢個體留存率的時間復雜度為O(3×N×α),對優(yōu)勢個體排序的時間復雜度為O((N+3×α)lg(N+3×α))。

        綜上所述,SVMAOA的時間復雜度為O(T(3ND+(N+3Nα)lg(N+3Nα))。

        3.4 收斂性分析

        定理1 SVMAOA在演化中全局最優(yōu)適應度值是單調非增的,即f(Xg,t)≤f(Xg,1)。

        證明 根據(jù)算法的選擇策略,只有個體的適應度值小于全局最優(yōu)值時,才對全局最優(yōu)值進行更新,因此滿足下式:

        其中,Xg,t為第t代時全局最優(yōu)個體的位置,因此全局最優(yōu)解的適應度值單調不增,證明完畢。

        定理2算法的狀態(tài)空間內的隨機過程是馬爾科夫鏈。

        證明 將狀態(tài)空間從{X(t)}轉移到{X (t+1)}的過程記為X(t+1)=T(X(t)),SVMAOA算法可以將此過程表示為:

        其中,Ta代表初始化過程,Tb代表構建平衡池過程,Tc代表選擇優(yōu)勢個體過程??梢钥闯?,X(t+1)只與X(t)有關,且三個過程均依賴于X(t)而不是t,算法的狀態(tài)空間內的隨機過程是馬爾科夫鏈,證明完畢。

        定理3算法的狀態(tài)空間{}X(t)收斂到全局最優(yōu)子集M*的概率為1。

        證明SVMAOA算法從{X(t)}轉移到{X (t+1)}的狀態(tài)轉移概率為:

        計算可得:

        上式可表示為:

        變換可得:

        對兩邊求極限:

        上述三個定理說明算法的狀態(tài)空間是單調不增的馬爾科夫鏈,且收斂于最優(yōu)集的概率為1,由此可得算法具有全局收斂性。

        4 實驗仿真與結果分析

        4.1 仿真實驗環(huán)境

        本仿真測試環(huán)境為:仿真軟件為MATLAB 2018b,操作系統(tǒng)Windows 10,內存為16.0 GB,CPU為AMD Ryzen 5 4600U,主頻2.10 GHz。

        4.2 測試函數(shù)

        為了選取合適的數(shù)據(jù)集劃分比例以及驗證SVMAOA的優(yōu)化效果和穩(wěn)定性優(yōu)于其他算法,本文對多個不同特點的測試函數(shù)進行函數(shù)優(yōu)化的對比測試,測試函數(shù)及其具體信息如表1所示。

        表1 測試函數(shù)Table 1 Test function

        4.3 參數(shù)選擇

        由于數(shù)據(jù)集中優(yōu)勢個體與劣勢個體比例的劃分也對分類器的性能有顯著影響,優(yōu)秀樣本過多會導致一些劣勢個體無法區(qū)分,優(yōu)秀樣本太少會導致一些優(yōu)勢個體分類錯誤。本文分別對適應度值排名前20%、40%、60%和80%的優(yōu)勢個體打標簽+1,對剩余劣勢個體打標簽-1,以用來確定對算法尋優(yōu)性能最佳的數(shù)據(jù)集劃分策略,上述劃分策略分別用F20、F40、F60和F80表示,見圖2。

        圖2 訓練集轉換策略示意圖Fig.2 Schematic diagram of training set conversion strategy

        通過基準測試函數(shù)對上述策略進行實驗測試,種群規(guī)模設定為30,維數(shù)設定為30,最大迭代次數(shù)設定為500。

        從表2可以看出,F(xiàn)40策略的SVMAOA可以使較多測試函數(shù)的尋優(yōu)精度達到最優(yōu),同時具有一定穩(wěn)定性,整體表現(xiàn)最好。在接下來的實驗中,選擇F40的訓練集劃分策略。

        表2 四種策略實驗結果Table 2 Experimental results of four strategies

        4.4 對比算法與參數(shù)設置

        本文將改進算法(SVMAOA)與原始算法(AOA)、其他學者改進的改進算法(DAOA、MOAOA、MFAOA[11]、IAOA[12])以及其他算法(SSA[13])進行比較。種群規(guī)模設定為30,維數(shù)設定為30,最大迭代次數(shù)設定為500,各算法的參數(shù)設置見表3。

        表3 對比算法參數(shù)Table 3 Compare algorithm parameters

        4.5 種群多樣性分析

        本文使用Booth函數(shù)對AOA與SVMAOA迭代典型時刻的種群分布圖進行對比,以驗證構建平衡池的策略可以有效提升種群。Booth函數(shù)基本信息如表1所示,兩種算法在第5、50和100次迭代時刻的種群分布如圖3所示。

        圖3中,迭代初期時AOA種群中有部分個體重疊,種群多樣性較差,且種群分布范圍較小;而SVMAOA中種群分布更均勻,搜索空間更大,種群多樣性更佳。當?shù)?0次時,AOA中子代的分布以最優(yōu)解的橫縱坐標為參考,呈現(xiàn)十字形,而SVMAOA在平衡池三種子代生成策略的作用下,使子代生成過程不再僅以最優(yōu)解為參照,此使種群以環(huán)狀的分布圍繞在最優(yōu)解附近,明顯改善了AOA種群分布圖中的十字分布。當?shù)?00次時,AOA個體在原始的子代生成策略作用下,仍保持十字分布的狀態(tài),有很大一部分個體沒有搜尋到最優(yōu)個體。而SVMAOA中的大部分個體已經搜尋到(1,3)點,這是由于支持向量機分類器輔助演化過程,減少了評價次數(shù),加快了種群的收斂速度。

        圖3 種群多樣性對比圖Fig.3 Comparative map of population diversity

        4.6 求解精度與收斂性分析

        本文通過23個基準測試函數(shù)對算法性能進行對比實驗,為了避免偶然性帶來的結果偏差,算法在每個基準測試函數(shù)上運行30次并對其求均值和標準差,以對比算法的求解精度與穩(wěn)定性,實驗結果見表4。

        表4 測試函數(shù)實驗結果Table 4 Experimental results of test function

        F1~F7為單峰函數(shù),一般用于檢測算法的全局尋優(yōu)性能。SVMAOA與原始AOA算法和SSA算法相比較,平均尋優(yōu)精度和標準差均有很大的提升,SVMAOA具有最佳的尋優(yōu)性能。與改進算法相比較,除在F5函數(shù)上SVMAOA的平均尋優(yōu)精度和標準差略差于DAOA算法以外,在其他測試函數(shù)中平均尋優(yōu)精度和標準差都表現(xiàn)最優(yōu),SVMAOA算法相比于其他基于AOA的改進算法尋優(yōu)性能最佳??傮w看來,SVMAOA在單峰測試函數(shù)中表現(xiàn)出較優(yōu)的尋優(yōu)性能。

        F8~F23為多峰函數(shù),一般用來評價算法的局部尋優(yōu)性能。SVMAOA與原始AOA算法相比較時,在F18函數(shù)上,兩種算法尋優(yōu)精度一樣,但是SVMAOA算法的標準差較小,穩(wěn)定性較高,在其他多峰測試函數(shù)中SVMAOA的最優(yōu)解平均尋優(yōu)精度和標準差均有很大的提升。與SSA相比較時,在F8函數(shù)上,SVMAOA算法平均尋優(yōu)精度雖略差于SSA算法,但標準差卻較小,算法在該函數(shù)上表現(xiàn)較穩(wěn)定。在F13函數(shù)上,SVMAOA的平均尋優(yōu)精度和標準差略差于SSA算法。在F14函數(shù)上,雖然SVMAOA相較于SSA平均尋優(yōu)精度雖略低,但標準差卻遠小,改進算法的魯棒性與其相比具有優(yōu)勢。在F14、F15函數(shù)上,SVMAOA的平均尋優(yōu)精度優(yōu)于SSA,但標準差卻略高。在其他多峰測試函數(shù)上,SVMAOA的平均尋優(yōu)精度和標準差都表現(xiàn)最佳。與其他改進算法相比較時,在F8函數(shù)上,DAOA的平均尋優(yōu)精度略優(yōu)于SVMAOA。在F13、F20函數(shù)上,DAOA的平均尋優(yōu)精度略和標準差均優(yōu)于SVMAOA。在F14函數(shù)上,MOAOA的平均尋優(yōu)精度略優(yōu)于SVMAOA。在F16、F17、F18函數(shù)上,SVMAOA相較于IAOA的平均尋優(yōu)精度較高,但標準差卻略差。在其他多峰測試函數(shù)中,SVMAOA相較于其他基于AOA改進的算法均表現(xiàn)出最佳的尋優(yōu)精度和穩(wěn)定性??傮w看來,在多峰測試函數(shù)中,SVMAOA具有一定的競爭力。

        以上實驗結果說明平衡池策略有效地增加了提升了算法的全局尋優(yōu)性能和局部尋優(yōu)性能,為了進一步說明使用支持向量機分類策略可以有效地篩選優(yōu)勢個體,避免劣勢個體對演化過程產生干擾,提升收斂速度,本文通過測試函數(shù)的迭代收斂曲線圖驗證SVMAOA算法的收斂速度。從圖4可以看出,SVMAOA在收斂速度上也優(yōu)于其他算法。

        圖4 收斂曲線圖Fig.4 Convergence curve

        4.7 Wilcoxon秩和檢驗

        為檢驗SVMAOA算法與其他算法的顯著性差異,本文使用Wilcoxon秩和檢驗進行驗證。在α=5%顯著性水平下,若p<0.05則說明算法具有顯著差異,反之則說明算法差異不顯著。本文將SVMAOA與AOA、SSA、IAOA、MFAOA、DAOA、MOAOA在23個基準測試函數(shù)上進行30次運算,結果見表5。其中,N/A表示算法結果接近,無法進行顯著性判斷。在23個基準測試函數(shù)中,多數(shù)實驗結果均小于0.05,說明SVMAOA的優(yōu)越性在統(tǒng)計上是顯著的。對于函數(shù)F9、F10和F11,SVMAOA與其他算法間的差異不明顯,說明算法性能相當。

        表5 Wilcoxon秩和檢驗結果Table 5 Wilcoxon rank sum test results

        5 SVMAOA用于特征選擇問題

        特征選擇作為特征工程的關鍵環(huán)節(jié),不僅可以剔除無關特征、提高算法的學習效率[14],還能從數(shù)據(jù)集中尋找最優(yōu)特征子集[15],提高模型精確度。本文將選取盡可能少的特征得到較高的分類準確率作為目標,利用SVMAOA算法解決特征選擇問題。

        5.1 建立模型

        SVMAOA用于求解特征選擇問題時,個體代表一組特征子集,種群維度為數(shù)據(jù)集中特征數(shù)。由于特征選擇可以視作離散空間中的優(yōu)化問題,故本文基于二進制編碼方法,使用Sigmoid函數(shù)將個體向量轉化至0到1的區(qū)間內,見式(24)。當值大于0.5時,將其置為1,反之置為0,0和1分別表示對應維度的特征沒有被選擇和被選擇。

        v為了通過盡可能少的特征得到較高的分類準確率,本文將以式(25)作為適應度函數(shù)[17]:

        其中,α和β為分類準確率和特征子集長度的控制權重,α∈[0,1],β=1-β,本文α取0.85。γDR(D)為KNN(KNearest Neighbors)分類器錯誤率,k=5。||R為個體中被選擇的特征數(shù),||N為數(shù)據(jù)集中特征數(shù)。

        為評價SVMAOA用于求解特征選擇問題的優(yōu)劣,本文選取分類準確率與特征選擇個數(shù)作為衡量指標,分

        類準確率定義見式(26):

        其中,TP為真正例樣本數(shù),TN為真負例樣本數(shù),P為正例樣本數(shù),N為

        5.2 實驗結果

        為驗證算法在特征選擇問題中的性能,本文選用UCI中的7個數(shù)據(jù)集上進行測試,數(shù)據(jù)集信息見表6。

        表6 實驗數(shù)據(jù)集Table 6 Experimental datasets

        本文將SVMAOA并與原始AOA算法、其他學者改進算法以及其他群智能優(yōu)化算法進行對比,所有算法獨立運行10次,種群規(guī)模為30,最大迭代次數(shù)為100次,各算法參數(shù)設置見表3,實驗結果見表7。

        表7 特征選擇實驗結果Table 7 Experimental results of feature selection

        根據(jù)實驗結果可以看出,本文改進的SVMAOA算法用于求解特征選擇問題時,在所有數(shù)據(jù)集上的分類準確率均高于原始AOA算法和其他學者改進的算法。在D1、D3、D5、D6和D7數(shù)據(jù)集上數(shù)據(jù)集特征子集個數(shù)少于其他算法,在D2和D4數(shù)據(jù)集上略多于MFAOA算法??傮w看來,在特征選擇問題中,本文提出的SVMAOA算法與其他算法相比表現(xiàn)出色,能夠有效地剔除無關特征,尋找到最優(yōu)特征子集,提高模型精確度。

        6 結束語

        為了克服AOA無法充分利用個體信息、種群多樣性較少等問題,構建了包含四種突變策略及其平均候選解的平衡池,充分利用種群個體所攜帶的信息,增加種群多樣性;并且通過支持向量機分類模型對平衡池中個體進行分類,以減少由于個體數(shù)量增多導致的評價次數(shù)增加,同時避免劣勢個體在演化過程中對算法造成的不良影響,逃離局部最優(yōu)解,使得算法獲得更好的收斂精度;最后根據(jù)留存率篩選個體,并用于下一代平衡池的構建。本文通過基準測試函數(shù)、統(tǒng)計檢驗Wilcoxon秩和檢驗和多樣性分析驗證算法性能,將SVMAOA與其他改進優(yōu)化算法、原始優(yōu)化算法進行對比,并在7個UCI標準數(shù)據(jù)集中進行特征選擇實驗,結果表明SVMAOA算法具有更優(yōu)的性能。

        在未來的工作中,可以嘗試不同的平衡池更新策略。此外,還可以嘗試使用不同的分類器,以及不同的數(shù)據(jù)集劃分方式以增強算法性能。

        猜你喜歡
        測試函數(shù)特征選擇適應度
        改進的自適應復制、交叉和突變遺傳算法
        計算機仿真(2022年8期)2022-09-28 09:53:02
        具有收縮因子的自適應鴿群算法用于函數(shù)優(yōu)化問題
        Kmeans 應用與特征選擇
        電子制作(2017年23期)2017-02-02 07:17:06
        帶勢函數(shù)的雙調和不等式組的整體解的不存在性
        基于空調導風板成型工藝的Kriging模型適應度研究
        中國塑料(2016年11期)2016-04-16 05:26:02
        約束二進制二次規(guī)劃測試函數(shù)的一個構造方法
        聯(lián)合互信息水下目標特征選擇算法
        面向真實世界的測試函數(shù)Ⅱ
        基于特征選擇和RRVPMCD的滾動軸承故障診斷方法
        基于二元搭配詞的微博情感特征選擇
        計算機工程(2014年6期)2014-02-28 01:26:36
        秋霞日韩一区二区三区在线观看| 国产成a人亚洲精品无码樱花| 性xxxx18免费观看视频| 中文字幕影片免费在线观看| 无码高清视频在线播放十区| 国产日产高清一区二区三区| 丝袜人妻一区二区三区| 国产精品久久久久影院嫩草| 91情侣视频| 日韩亚洲精选一区二区三区| 成人无码av免费网站| 国产精品麻豆成人av电影艾秋| 久久中国国产Av秘 入口| 亚洲av区一区二区三区| 人妻少妇-嫩草影院| 国产人与禽zoz0性伦| 亚洲av不卡电影在线网址最新| 国产亚洲av一线观看| 夜夜夜夜曰天天天天拍国产| 在线va免费看成| 亚洲日本国产乱码va在线观看| 国产69精品麻豆久久| 51看片免费视频在观看| 亚洲精品成人专区在线观看| 亚洲二区三区四区太九| 亚洲国产精品一区二区毛片| 中文字幕天天躁日日躁狠狠躁免费| 久久无码人妻一区=区三区| 一区二区三区在线观看视频| 国产精品久久久久久妇女| 亚洲国产韩国欧美在线| 2021精品综合久久久久| 亚洲色图偷拍自拍在线| 国产又色又爽又黄的| 久久狠狠第一麻豆婷婷天天| 亚洲第一页在线观看视频网站| 欧洲美女黑人粗性暴交视频| 久久久久99精品成人片试看| 欧美成人a视频免费专区| 国产日产桃色精品久久久| 精品日产卡一卡二卡国色天香|