改进的多目标人工蜂群算法及其在特征选择中的应用
发布时间：2022-01-10 11:20
群智能算法是一种通过模拟自然界生物变异进化从而实现算法迭代,最终搜寻到期望解的寻优算法。其通过随机初始化模拟物种的原始分布,通过随机搜索以及有选择性地保存后代来模拟物种的自然进化,进而实现算法种群不断进化,寻找到最优解的目的。人工蜂群算法隶属于群智能启发式算法,该算法提出时间较短,效果较好,算法主要包括引领蜂、跟随蜂以及侦查蜂三个过程,该三个过程顺序执行,从而最终实现了算法寻优最终解决问题。由于人工蜂群算法具有参数少、应用简便、求解快速的特点,其在函数数值优化、制造流程优化、工程设计以及化学工程领域已经得到广泛的应用。作为一种新型算法,面对某些特定问题人工蜂群算法在进化和优化过程中也依然存在着无法收敛、寻优效果不理想等缺陷,在一定程度影响了其在解决实际问题上的性能。因此,研究人工蜂群算法的内在原理,对其进行改进并应用到求解多目标问题领域,具有非常重要的工程与学术价值。本文通过研究分析当前最新的人工蜂群改进算法,针对算法中存在的问题,结合群智能算法的基本原理,提出几种改进方案,在基本测试函数上对其性能进行测试,并将改进后的人工蜂群算法扩展至多目标领域,探索其在特征选择问题领域的应用。本文...
【文章来源】：安徽大学安徽省 211工程院校
【文章页数】：78 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
第一章 绪论
1.1 论文的研究背景与意义
1.2 国内外研究现状
1.2.1 人工蜂群算法的发展
1.2.2 特征选择算法的发展
1.3 本文研究内容与组织结构
第二章 相关理论知识介绍
2.1 人工蜂群算法
2.1.1 人工蜂群算法基本思想
2.1.2 人工蜂群算法框架
2.1.3 人工蜂群算法流程
2.2 多目标优化理论
2.2.1 多目标优化问题描述
2.2.2 Pareto最优理论
2.3 特征选择技术
2.3.1 特征选择定义
2.3.2 特征选择分类
2.3.3 特征选择方法
2.4 Knee Points
2.5 K-NN算法介绍
2.6 本章小结
第三章 多目标人工蜂群算法及其改进研究
3.1 基本多目标人工蜂群算法(MOABC)分析
3.2 对原始MOABC的改进
3.2.1 自适应knee point识别方法
3.2.2 基于knee point的引领蜂精英搜索机制
3.2.3 基于knee point的跟随蜂搜索机制
3.2.4 自适应动态搜索邻域控制方法
3.2.5 利用当前最优解引导进化的重新初始化方法
3.3 改进的多目标人工蜂群算法步骤
3.4 算法仿真实验与分析
3.4.1 测试函数及评价标准
3.4.2 实验参数设置
3.4.3 实验结果与对比分析
3.5 本章小结
第四章 基于改进多目标人工蜂群算法的特征选择的研究
4.1 特征选择方法的原理
4.2 基于KnMOABC的特征选择方法
4.3 性能仿真和分析
4.3.1 实验数据集以及实验参数设置
4.3.2 实验结果分析
4.4 本章小结
第五章 总结与展望
5.1 相关工作总结
5.2 未来工作展望
参考文献
附录A: 图索引
AppendixA:Figures Index
附录B: 表索引
Appendix B: Table Index
致谢
在读期间发表的学术论文
【参考文献】：
期刊论文
[1]基于反馈机制和丛林法则的人工蜂群算法[J]. 孔金生,李世通,周树亮,冯冬青,尹书文. 计算机工程与应用. 2017(17)
[2]一种改进的多目标人工蜂群算法[J]. 陈伟栋,童华刚,郜振华,张洪亮. 南华大学学报(自然科学版). 2017(02)
[3]基于多策略融合的改进人工蜂群算法[J]. 魏锋涛,岳明娟,郑建明. 计算机工程与应用. 2018(05)
[4]基于改进人工蜂群算法的高维多目标优化[J]. 王艳娇,肖婧. 中南大学学报(自然科学版). 2015(06)
[5]引入人工蜂群搜索算子的QPSO算法的改进实现[J]. 苑帅,沈西挺,邵娜娜. 计算机工程与应用. 2016(15)
[6]基于子目标进化的高维多目标优化算法[J]. 雷宇曜,姜文志,刘立佳,马向玲. 北京航空航天大学学报. 2015(10)
[7]人工蜂群算法研究综述[J]. 秦全德,程适,李丽,史玉回. 智能系统学报. 2014(02)
[8]基于局部最优解的改进人工蜂群算法[J]. 王冰. 计算机应用研究. 2014(04)
[9]多目标人工蜂群算法在服务组合优化中的应用[J]. 周清雷,陈明昭,张兵. 计算机应用研究. 2012(10)
[10]基于人工蜂群算法的支持向量机参数优化及应用[J]. 于明,艾月乔. 光电子.激光. 2012(02)
硕士论文
[1]高维多目标优化算法的若干关键问题研究[D]. 田野.安徽大学 2015
[2]人工蜂群算法及其应用研究[D]. 魏红凯.北京工业大学 2012
[3]多目标人工蜂群算法的研究与应用[D]. 李云彬.东北大学 2012
本文编号：3580622
【文章来源】：安徽大学安徽省 211工程院校
【文章页数】：78 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
第一章 绪论
1.1 论文的研究背景与意义
1.2 国内外研究现状
1.2.1 人工蜂群算法的发展
1.2.2 特征选择算法的发展
1.3 本文研究内容与组织结构
第二章 相关理论知识介绍
2.1 人工蜂群算法
2.1.1 人工蜂群算法基本思想
2.1.2 人工蜂群算法框架
2.1.3 人工蜂群算法流程
2.2 多目标优化理论
2.2.1 多目标优化问题描述
2.2.2 Pareto最优理论
2.3 特征选择技术
2.3.1 特征选择定义
2.3.2 特征选择分类
2.3.3 特征选择方法
2.4 Knee Points
2.5 K-NN算法介绍
2.6 本章小结
第三章 多目标人工蜂群算法及其改进研究
3.1 基本多目标人工蜂群算法(MOABC)分析
3.2 对原始MOABC的改进
3.2.1 自适应knee point识别方法
3.2.2 基于knee point的引领蜂精英搜索机制
3.2.3 基于knee point的跟随蜂搜索机制
3.2.4 自适应动态搜索邻域控制方法
3.2.5 利用当前最优解引导进化的重新初始化方法
3.3 改进的多目标人工蜂群算法步骤
3.4 算法仿真实验与分析
3.4.1 测试函数及评价标准
3.4.2 实验参数设置
3.4.3 实验结果与对比分析
3.5 本章小结
第四章 基于改进多目标人工蜂群算法的特征选择的研究
4.1 特征选择方法的原理
4.2 基于KnMOABC的特征选择方法
4.3 性能仿真和分析
4.3.1 实验数据集以及实验参数设置
4.3.2 实验结果分析
4.4 本章小结
第五章 总结与展望
5.1 相关工作总结
5.2 未来工作展望
参考文献
附录A: 图索引
AppendixA:Figures Index
附录B: 表索引
Appendix B: Table Index
致谢
在读期间发表的学术论文
【参考文献】：
期刊论文
[1]基于反馈机制和丛林法则的人工蜂群算法[J]. 孔金生,李世通,周树亮,冯冬青,尹书文. 计算机工程与应用. 2017(17)
[2]一种改进的多目标人工蜂群算法[J]. 陈伟栋,童华刚,郜振华,张洪亮. 南华大学学报(自然科学版). 2017(02)
[3]基于多策略融合的改进人工蜂群算法[J]. 魏锋涛,岳明娟,郑建明. 计算机工程与应用. 2018(05)
[4]基于改进人工蜂群算法的高维多目标优化[J]. 王艳娇,肖婧. 中南大学学报(自然科学版). 2015(06)
[5]引入人工蜂群搜索算子的QPSO算法的改进实现[J]. 苑帅,沈西挺,邵娜娜. 计算机工程与应用. 2016(15)
[6]基于子目标进化的高维多目标优化算法[J]. 雷宇曜,姜文志,刘立佳,马向玲. 北京航空航天大学学报. 2015(10)
[7]人工蜂群算法研究综述[J]. 秦全德,程适,李丽,史玉回. 智能系统学报. 2014(02)
[8]基于局部最优解的改进人工蜂群算法[J]. 王冰. 计算机应用研究. 2014(04)
[9]多目标人工蜂群算法在服务组合优化中的应用[J]. 周清雷,陈明昭,张兵. 计算机应用研究. 2012(10)
[10]基于人工蜂群算法的支持向量机参数优化及应用[J]. 于明,艾月乔. 光电子.激光. 2012(02)
硕士论文
[1]高维多目标优化算法的若干关键问题研究[D]. 田野.安徽大学 2015
[2]人工蜂群算法及其应用研究[D]. 魏红凯.北京工业大学 2012
[3]多目标人工蜂群算法的研究与应用[D]. 李云彬.东北大学 2012
本文编号：3580622
本文链接：https://www.wllwen.com/kejilunwen/sousuoyinqinglunwen/3580622.html
