改进的粒子群算法优化的特征选择方法
1
2019
... 特征选择作为机器学习中数据预处理的关键环节，不仅能够降低数据维度、提高算法的学习效率[1]，还能从数据集中筛选出对分类器分类性能最有用的特征[2]，提高分类准确率.常见的特征选择方法大致可分为过滤式、包裹式以及嵌入式三种[3]，其中包裹式特征选择将学习器的性能优劣作为特征子集的评价标准[4]，因此该方式也最有利于为学习器选择最佳特征子集.但当数据中包含大量特征时，采用包裹式方法对特征子集进行穷举搜索是很难实现的，因此，如何进行有效的特征选择成了一个难题.近年来，许多学者使用群智能优化算法的搜索方式作为包裹式特征选择的搜索机制，包括粒子群优化算法[5]（Particle Swarm optimization，PSO）、蚁狮优化算法[6]（Ant Lion Optimizer，ALO）以及鲸鱼优化算法[7]（Whale Optimization Algorithm，WOA）等较为经典的群智能算.蝗虫优化算法（Grasshopper Optimisation Algorithm,GOA）是Saremi et al[8]于2017年提出的一种模拟自然界中蝗虫的群体行为来解决优化问题的新型群智能优化算法，实验证明该算法在实际问题的求解中有显著效果，但与其他群智能优化算法类似，GOA存在收敛速度慢、易陷入局部最优的问题.为提高算法收敛速度和寻优精度，许多学者利用不同的方法对GOA进行改进.Ewees et al[9]引入对立学习的思想来更新GOA中每次迭代后的种群，提出OBLGOA（Opposition?based Learning Grasshopper Optimization Algorithm）算法，并通过实验证明该算法的性能比GOA有明显提升.Luo et al[10]利用高斯变异增加种群多样性，并且引入Lévy飞行策略增加搜索的随机性，提高算法的全局寻优能力，实验结果显示，该方法能显著提升算法的收敛速度和寻优精度.Arora and Anand[11]将混沌理论引入GOA中，利用混沌映射来平衡算法的全局探索和局部开发能力，并通过基准函数对算法进行测试，证明该方法的有效性和优越性.李洋州和顾磊[12]提出利用曲线自适应代替GOA中的关键参数，并引入模拟退火机制，实验证明，和传统GOA算法相比，该方法寻优精度更高，收敛速度更快.可见，为解决GOA的问题目前已有许多研究成果，但如何以更有效更简便的方式进一步提高GOA的寻优精度和收敛速度依然值得深入研究. ...
改进的粒子群算法优化的特征选择方法
1
2019
... 特征选择作为机器学习中数据预处理的关键环节，不仅能够降低数据维度、提高算法的学习效率[1]，还能从数据集中筛选出对分类器分类性能最有用的特征[2]，提高分类准确率.常见的特征选择方法大致可分为过滤式、包裹式以及嵌入式三种[3]，其中包裹式特征选择将学习器的性能优劣作为特征子集的评价标准[4]，因此该方式也最有利于为学习器选择最佳特征子集.但当数据中包含大量特征时，采用包裹式方法对特征子集进行穷举搜索是很难实现的，因此，如何进行有效的特征选择成了一个难题.近年来，许多学者使用群智能优化算法的搜索方式作为包裹式特征选择的搜索机制，包括粒子群优化算法[5]（Particle Swarm optimization，PSO）、蚁狮优化算法[6]（Ant Lion Optimizer，ALO）以及鲸鱼优化算法[7]（Whale Optimization Algorithm，WOA）等较为经典的群智能算.蝗虫优化算法（Grasshopper Optimisation Algorithm,GOA）是Saremi et al[8]于2017年提出的一种模拟自然界中蝗虫的群体行为来解决优化问题的新型群智能优化算法，实验证明该算法在实际问题的求解中有显著效果，但与其他群智能优化算法类似，GOA存在收敛速度慢、易陷入局部最优的问题.为提高算法收敛速度和寻优精度，许多学者利用不同的方法对GOA进行改进.Ewees et al[9]引入对立学习的思想来更新GOA中每次迭代后的种群，提出OBLGOA（Opposition?based Learning Grasshopper Optimization Algorithm）算法，并通过实验证明该算法的性能比GOA有明显提升.Luo et al[10]利用高斯变异增加种群多样性，并且引入Lévy飞行策略增加搜索的随机性，提高算法的全局寻优能力，实验结果显示，该方法能显著提升算法的收敛速度和寻优精度.Arora and Anand[11]将混沌理论引入GOA中，利用混沌映射来平衡算法的全局探索和局部开发能力，并通过基准函数对算法进行测试，证明该方法的有效性和优越性.李洋州和顾磊[12]提出利用曲线自适应代替GOA中的关键参数，并引入模拟退火机制，实验证明，和传统GOA算法相比，该方法寻优精度更高，收敛速度更快.可见，为解决GOA的问题目前已有许多研究成果，但如何以更有效更简便的方式进一步提高GOA的寻优精度和收敛速度依然值得深入研究. ...
改进粒子群联合禁忌搜索的特征选择算法
1
2018
... 特征选择作为机器学习中数据预处理的关键环节，不仅能够降低数据维度、提高算法的学习效率[1]，还能从数据集中筛选出对分类器分类性能最有用的特征[2]，提高分类准确率.常见的特征选择方法大致可分为过滤式、包裹式以及嵌入式三种[3]，其中包裹式特征选择将学习器的性能优劣作为特征子集的评价标准[4]，因此该方式也最有利于为学习器选择最佳特征子集.但当数据中包含大量特征时，采用包裹式方法对特征子集进行穷举搜索是很难实现的，因此，如何进行有效的特征选择成了一个难题.近年来，许多学者使用群智能优化算法的搜索方式作为包裹式特征选择的搜索机制，包括粒子群优化算法[5]（Particle Swarm optimization，PSO）、蚁狮优化算法[6]（Ant Lion Optimizer，ALO）以及鲸鱼优化算法[7]（Whale Optimization Algorithm，WOA）等较为经典的群智能算.蝗虫优化算法（Grasshopper Optimisation Algorithm,GOA）是Saremi et al[8]于2017年提出的一种模拟自然界中蝗虫的群体行为来解决优化问题的新型群智能优化算法，实验证明该算法在实际问题的求解中有显著效果，但与其他群智能优化算法类似，GOA存在收敛速度慢、易陷入局部最优的问题.为提高算法收敛速度和寻优精度，许多学者利用不同的方法对GOA进行改进.Ewees et al[9]引入对立学习的思想来更新GOA中每次迭代后的种群，提出OBLGOA（Opposition?based Learning Grasshopper Optimization Algorithm）算法，并通过实验证明该算法的性能比GOA有明显提升.Luo et al[10]利用高斯变异增加种群多样性，并且引入Lévy飞行策略增加搜索的随机性，提高算法的全局寻优能力，实验结果显示，该方法能显著提升算法的收敛速度和寻优精度.Arora and Anand[11]将混沌理论引入GOA中，利用混沌映射来平衡算法的全局探索和局部开发能力，并通过基准函数对算法进行测试，证明该方法的有效性和优越性.李洋州和顾磊[12]提出利用曲线自适应代替GOA中的关键参数，并引入模拟退火机制，实验证明，和传统GOA算法相比，该方法寻优精度更高，收敛速度更快.可见，为解决GOA的问题目前已有许多研究成果，但如何以更有效更简便的方式进一步提高GOA的寻优精度和收敛速度依然值得深入研究. ...
改进粒子群联合禁忌搜索的特征选择算法
1
2018
... 特征选择作为机器学习中数据预处理的关键环节，不仅能够降低数据维度、提高算法的学习效率[1]，还能从数据集中筛选出对分类器分类性能最有用的特征[2]，提高分类准确率.常见的特征选择方法大致可分为过滤式、包裹式以及嵌入式三种[3]，其中包裹式特征选择将学习器的性能优劣作为特征子集的评价标准[4]，因此该方式也最有利于为学习器选择最佳特征子集.但当数据中包含大量特征时，采用包裹式方法对特征子集进行穷举搜索是很难实现的，因此，如何进行有效的特征选择成了一个难题.近年来，许多学者使用群智能优化算法的搜索方式作为包裹式特征选择的搜索机制，包括粒子群优化算法[5]（Particle Swarm optimization，PSO）、蚁狮优化算法[6]（Ant Lion Optimizer，ALO）以及鲸鱼优化算法[7]（Whale Optimization Algorithm，WOA）等较为经典的群智能算.蝗虫优化算法（Grasshopper Optimisation Algorithm,GOA）是Saremi et al[8]于2017年提出的一种模拟自然界中蝗虫的群体行为来解决优化问题的新型群智能优化算法，实验证明该算法在实际问题的求解中有显著效果，但与其他群智能优化算法类似，GOA存在收敛速度慢、易陷入局部最优的问题.为提高算法收敛速度和寻优精度，许多学者利用不同的方法对GOA进行改进.Ewees et al[9]引入对立学习的思想来更新GOA中每次迭代后的种群，提出OBLGOA（Opposition?based Learning Grasshopper Optimization Algorithm）算法，并通过实验证明该算法的性能比GOA有明显提升.Luo et al[10]利用高斯变异增加种群多样性，并且引入Lévy飞行策略增加搜索的随机性，提高算法的全局寻优能力，实验结果显示，该方法能显著提升算法的收敛速度和寻优精度.Arora and Anand[11]将混沌理论引入GOA中，利用混沌映射来平衡算法的全局探索和局部开发能力，并通过基准函数对算法进行测试，证明该方法的有效性和优越性.李洋州和顾磊[12]提出利用曲线自适应代替GOA中的关键参数，并引入模拟退火机制，实验证明，和传统GOA算法相比，该方法寻优精度更高，收敛速度更快.可见，为解决GOA的问题目前已有许多研究成果，但如何以更有效更简便的方式进一步提高GOA的寻优精度和收敛速度依然值得深入研究. ...
Feature selection by integrating two groups of feature evaluation criteria
1
2018
... 特征选择作为机器学习中数据预处理的关键环节，不仅能够降低数据维度、提高算法的学习效率[1]，还能从数据集中筛选出对分类器分类性能最有用的特征[2]，提高分类准确率.常见的特征选择方法大致可分为过滤式、包裹式以及嵌入式三种[3]，其中包裹式特征选择将学习器的性能优劣作为特征子集的评价标准[4]，因此该方式也最有利于为学习器选择最佳特征子集.但当数据中包含大量特征时，采用包裹式方法对特征子集进行穷举搜索是很难实现的，因此，如何进行有效的特征选择成了一个难题.近年来，许多学者使用群智能优化算法的搜索方式作为包裹式特征选择的搜索机制，包括粒子群优化算法[5]（Particle Swarm optimization，PSO）、蚁狮优化算法[6]（Ant Lion Optimizer，ALO）以及鲸鱼优化算法[7]（Whale Optimization Algorithm，WOA）等较为经典的群智能算.蝗虫优化算法（Grasshopper Optimisation Algorithm,GOA）是Saremi et al[8]于2017年提出的一种模拟自然界中蝗虫的群体行为来解决优化问题的新型群智能优化算法，实验证明该算法在实际问题的求解中有显著效果，但与其他群智能优化算法类似，GOA存在收敛速度慢、易陷入局部最优的问题.为提高算法收敛速度和寻优精度，许多学者利用不同的方法对GOA进行改进.Ewees et al[9]引入对立学习的思想来更新GOA中每次迭代后的种群，提出OBLGOA（Opposition?based Learning Grasshopper Optimization Algorithm）算法，并通过实验证明该算法的性能比GOA有明显提升.Luo et al[10]利用高斯变异增加种群多样性，并且引入Lévy飞行策略增加搜索的随机性，提高算法的全局寻优能力，实验结果显示，该方法能显著提升算法的收敛速度和寻优精度.Arora and Anand[11]将混沌理论引入GOA中，利用混沌映射来平衡算法的全局探索和局部开发能力，并通过基准函数对算法进行测试，证明该方法的有效性和优越性.李洋州和顾磊[12]提出利用曲线自适应代替GOA中的关键参数，并引入模拟退火机制，实验证明，和传统GOA算法相比，该方法寻优精度更高，收敛速度更快.可见，为解决GOA的问题目前已有许多研究成果，但如何以更有效更简便的方式进一步提高GOA的寻优精度和收敛速度依然值得深入研究. ...
Hybrid whale optimization algorithm with simulated annealing for feature selection
1
2017
... 特征选择作为机器学习中数据预处理的关键环节，不仅能够降低数据维度、提高算法的学习效率[1]，还能从数据集中筛选出对分类器分类性能最有用的特征[2]，提高分类准确率.常见的特征选择方法大致可分为过滤式、包裹式以及嵌入式三种[3]，其中包裹式特征选择将学习器的性能优劣作为特征子集的评价标准[4]，因此该方式也最有利于为学习器选择最佳特征子集.但当数据中包含大量特征时，采用包裹式方法对特征子集进行穷举搜索是很难实现的，因此，如何进行有效的特征选择成了一个难题.近年来，许多学者使用群智能优化算法的搜索方式作为包裹式特征选择的搜索机制，包括粒子群优化算法[5]（Particle Swarm optimization，PSO）、蚁狮优化算法[6]（Ant Lion Optimizer，ALO）以及鲸鱼优化算法[7]（Whale Optimization Algorithm，WOA）等较为经典的群智能算.蝗虫优化算法（Grasshopper Optimisation Algorithm,GOA）是Saremi et al[8]于2017年提出的一种模拟自然界中蝗虫的群体行为来解决优化问题的新型群智能优化算法，实验证明该算法在实际问题的求解中有显著效果，但与其他群智能优化算法类似，GOA存在收敛速度慢、易陷入局部最优的问题.为提高算法收敛速度和寻优精度，许多学者利用不同的方法对GOA进行改进.Ewees et al[9]引入对立学习的思想来更新GOA中每次迭代后的种群，提出OBLGOA（Opposition?based Learning Grasshopper Optimization Algorithm）算法，并通过实验证明该算法的性能比GOA有明显提升.Luo et al[10]利用高斯变异增加种群多样性，并且引入Lévy飞行策略增加搜索的随机性，提高算法的全局寻优能力，实验结果显示，该方法能显著提升算法的收敛速度和寻优精度.Arora and Anand[11]将混沌理论引入GOA中，利用混沌映射来平衡算法的全局探索和局部开发能力，并通过基准函数对算法进行测试，证明该方法的有效性和优越性.李洋州和顾磊[12]提出利用曲线自适应代替GOA中的关键参数，并引入模拟退火机制，实验证明，和传统GOA算法相比，该方法寻优精度更高，收敛速度更快.可见，为解决GOA的问题目前已有许多研究成果，但如何以更有效更简便的方式进一步提高GOA的寻优精度和收敛速度依然值得深入研究. ...
Particle swarm optimization
1
1995
... 特征选择作为机器学习中数据预处理的关键环节，不仅能够降低数据维度、提高算法的学习效率[1]，还能从数据集中筛选出对分类器分类性能最有用的特征[2]，提高分类准确率.常见的特征选择方法大致可分为过滤式、包裹式以及嵌入式三种[3]，其中包裹式特征选择将学习器的性能优劣作为特征子集的评价标准[4]，因此该方式也最有利于为学习器选择最佳特征子集.但当数据中包含大量特征时，采用包裹式方法对特征子集进行穷举搜索是很难实现的，因此，如何进行有效的特征选择成了一个难题.近年来，许多学者使用群智能优化算法的搜索方式作为包裹式特征选择的搜索机制，包括粒子群优化算法[5]（Particle Swarm optimization，PSO）、蚁狮优化算法[6]（Ant Lion Optimizer，ALO）以及鲸鱼优化算法[7]（Whale Optimization Algorithm，WOA）等较为经典的群智能算.蝗虫优化算法（Grasshopper Optimisation Algorithm,GOA）是Saremi et al[8]于2017年提出的一种模拟自然界中蝗虫的群体行为来解决优化问题的新型群智能优化算法，实验证明该算法在实际问题的求解中有显著效果，但与其他群智能优化算法类似，GOA存在收敛速度慢、易陷入局部最优的问题.为提高算法收敛速度和寻优精度，许多学者利用不同的方法对GOA进行改进.Ewees et al[9]引入对立学习的思想来更新GOA中每次迭代后的种群，提出OBLGOA（Opposition?based Learning Grasshopper Optimization Algorithm）算法，并通过实验证明该算法的性能比GOA有明显提升.Luo et al[10]利用高斯变异增加种群多样性，并且引入Lévy飞行策略增加搜索的随机性，提高算法的全局寻优能力，实验结果显示，该方法能显著提升算法的收敛速度和寻优精度.Arora and Anand[11]将混沌理论引入GOA中，利用混沌映射来平衡算法的全局探索和局部开发能力，并通过基准函数对算法进行测试，证明该方法的有效性和优越性.李洋州和顾磊[12]提出利用曲线自适应代替GOA中的关键参数，并引入模拟退火机制，实验证明，和传统GOA算法相比，该方法寻优精度更高，收敛速度更快.可见，为解决GOA的问题目前已有许多研究成果，但如何以更有效更简便的方式进一步提高GOA的寻优精度和收敛速度依然值得深入研究. ...
The ant lion optimizer
1
2015
... 特征选择作为机器学习中数据预处理的关键环节，不仅能够降低数据维度、提高算法的学习效率[1]，还能从数据集中筛选出对分类器分类性能最有用的特征[2]，提高分类准确率.常见的特征选择方法大致可分为过滤式、包裹式以及嵌入式三种[3]，其中包裹式特征选择将学习器的性能优劣作为特征子集的评价标准[4]，因此该方式也最有利于为学习器选择最佳特征子集.但当数据中包含大量特征时，采用包裹式方法对特征子集进行穷举搜索是很难实现的，因此，如何进行有效的特征选择成了一个难题.近年来，许多学者使用群智能优化算法的搜索方式作为包裹式特征选择的搜索机制，包括粒子群优化算法[5]（Particle Swarm optimization，PSO）、蚁狮优化算法[6]（Ant Lion Optimizer，ALO）以及鲸鱼优化算法[7]（Whale Optimization Algorithm，WOA）等较为经典的群智能算.蝗虫优化算法（Grasshopper Optimisation Algorithm,GOA）是Saremi et al[8]于2017年提出的一种模拟自然界中蝗虫的群体行为来解决优化问题的新型群智能优化算法，实验证明该算法在实际问题的求解中有显著效果，但与其他群智能优化算法类似，GOA存在收敛速度慢、易陷入局部最优的问题.为提高算法收敛速度和寻优精度，许多学者利用不同的方法对GOA进行改进.Ewees et al[9]引入对立学习的思想来更新GOA中每次迭代后的种群，提出OBLGOA（Opposition?based Learning Grasshopper Optimization Algorithm）算法，并通过实验证明该算法的性能比GOA有明显提升.Luo et al[10]利用高斯变异增加种群多样性，并且引入Lévy飞行策略增加搜索的随机性，提高算法的全局寻优能力，实验结果显示，该方法能显著提升算法的收敛速度和寻优精度.Arora and Anand[11]将混沌理论引入GOA中，利用混沌映射来平衡算法的全局探索和局部开发能力，并通过基准函数对算法进行测试，证明该方法的有效性和优越性.李洋州和顾磊[12]提出利用曲线自适应代替GOA中的关键参数，并引入模拟退火机制，实验证明，和传统GOA算法相比，该方法寻优精度更高，收敛速度更快.可见，为解决GOA的问题目前已有许多研究成果，但如何以更有效更简便的方式进一步提高GOA的寻优精度和收敛速度依然值得深入研究. ...
The whale optimization algorithm
1
2016
... 特征选择作为机器学习中数据预处理的关键环节，不仅能够降低数据维度、提高算法的学习效率[1]，还能从数据集中筛选出对分类器分类性能最有用的特征[2]，提高分类准确率.常见的特征选择方法大致可分为过滤式、包裹式以及嵌入式三种[3]，其中包裹式特征选择将学习器的性能优劣作为特征子集的评价标准[4]，因此该方式也最有利于为学习器选择最佳特征子集.但当数据中包含大量特征时，采用包裹式方法对特征子集进行穷举搜索是很难实现的，因此，如何进行有效的特征选择成了一个难题.近年来，许多学者使用群智能优化算法的搜索方式作为包裹式特征选择的搜索机制，包括粒子群优化算法[5]（Particle Swarm optimization，PSO）、蚁狮优化算法[6]（Ant Lion Optimizer，ALO）以及鲸鱼优化算法[7]（Whale Optimization Algorithm，WOA）等较为经典的群智能算.蝗虫优化算法（Grasshopper Optimisation Algorithm,GOA）是Saremi et al[8]于2017年提出的一种模拟自然界中蝗虫的群体行为来解决优化问题的新型群智能优化算法，实验证明该算法在实际问题的求解中有显著效果，但与其他群智能优化算法类似，GOA存在收敛速度慢、易陷入局部最优的问题.为提高算法收敛速度和寻优精度，许多学者利用不同的方法对GOA进行改进.Ewees et al[9]引入对立学习的思想来更新GOA中每次迭代后的种群，提出OBLGOA（Opposition?based Learning Grasshopper Optimization Algorithm）算法，并通过实验证明该算法的性能比GOA有明显提升.Luo et al[10]利用高斯变异增加种群多样性，并且引入Lévy飞行策略增加搜索的随机性，提高算法的全局寻优能力，实验结果显示，该方法能显著提升算法的收敛速度和寻优精度.Arora and Anand[11]将混沌理论引入GOA中，利用混沌映射来平衡算法的全局探索和局部开发能力，并通过基准函数对算法进行测试，证明该方法的有效性和优越性.李洋州和顾磊[12]提出利用曲线自适应代替GOA中的关键参数，并引入模拟退火机制，实验证明，和传统GOA算法相比，该方法寻优精度更高，收敛速度更快.可见，为解决GOA的问题目前已有许多研究成果，但如何以更有效更简便的方式进一步提高GOA的寻优精度和收敛速度依然值得深入研究. ...
Grasshopper optimisation algorithm：theory and application
1
2017
... 特征选择作为机器学习中数据预处理的关键环节，不仅能够降低数据维度、提高算法的学习效率[1]，还能从数据集中筛选出对分类器分类性能最有用的特征[2]，提高分类准确率.常见的特征选择方法大致可分为过滤式、包裹式以及嵌入式三种[3]，其中包裹式特征选择将学习器的性能优劣作为特征子集的评价标准[4]，因此该方式也最有利于为学习器选择最佳特征子集.但当数据中包含大量特征时，采用包裹式方法对特征子集进行穷举搜索是很难实现的，因此，如何进行有效的特征选择成了一个难题.近年来，许多学者使用群智能优化算法的搜索方式作为包裹式特征选择的搜索机制，包括粒子群优化算法[5]（Particle Swarm optimization，PSO）、蚁狮优化算法[6]（Ant Lion Optimizer，ALO）以及鲸鱼优化算法[7]（Whale Optimization Algorithm，WOA）等较为经典的群智能算.蝗虫优化算法（Grasshopper Optimisation Algorithm,GOA）是Saremi et al[8]于2017年提出的一种模拟自然界中蝗虫的群体行为来解决优化问题的新型群智能优化算法，实验证明该算法在实际问题的求解中有显著效果，但与其他群智能优化算法类似，GOA存在收敛速度慢、易陷入局部最优的问题.为提高算法收敛速度和寻优精度，许多学者利用不同的方法对GOA进行改进.Ewees et al[9]引入对立学习的思想来更新GOA中每次迭代后的种群，提出OBLGOA（Opposition?based Learning Grasshopper Optimization Algorithm）算法，并通过实验证明该算法的性能比GOA有明显提升.Luo et al[10]利用高斯变异增加种群多样性，并且引入Lévy飞行策略增加搜索的随机性，提高算法的全局寻优能力，实验结果显示，该方法能显著提升算法的收敛速度和寻优精度.Arora and Anand[11]将混沌理论引入GOA中，利用混沌映射来平衡算法的全局探索和局部开发能力，并通过基准函数对算法进行测试，证明该方法的有效性和优越性.李洋州和顾磊[12]提出利用曲线自适应代替GOA中的关键参数，并引入模拟退火机制，实验证明，和传统GOA算法相比，该方法寻优精度更高，收敛速度更快.可见，为解决GOA的问题目前已有许多研究成果，但如何以更有效更简便的方式进一步提高GOA的寻优精度和收敛速度依然值得深入研究. ...
Improved grasshopper optimization algorithm using opposition?based learning
1
2018
... 特征选择作为机器学习中数据预处理的关键环节，不仅能够降低数据维度、提高算法的学习效率[1]，还能从数据集中筛选出对分类器分类性能最有用的特征[2]，提高分类准确率.常见的特征选择方法大致可分为过滤式、包裹式以及嵌入式三种[3]，其中包裹式特征选择将学习器的性能优劣作为特征子集的评价标准[4]，因此该方式也最有利于为学习器选择最佳特征子集.但当数据中包含大量特征时，采用包裹式方法对特征子集进行穷举搜索是很难实现的，因此，如何进行有效的特征选择成了一个难题.近年来，许多学者使用群智能优化算法的搜索方式作为包裹式特征选择的搜索机制，包括粒子群优化算法[5]（Particle Swarm optimization，PSO）、蚁狮优化算法[6]（Ant Lion Optimizer，ALO）以及鲸鱼优化算法[7]（Whale Optimization Algorithm，WOA）等较为经典的群智能算.蝗虫优化算法（Grasshopper Optimisation Algorithm,GOA）是Saremi et al[8]于2017年提出的一种模拟自然界中蝗虫的群体行为来解决优化问题的新型群智能优化算法，实验证明该算法在实际问题的求解中有显著效果，但与其他群智能优化算法类似，GOA存在收敛速度慢、易陷入局部最优的问题.为提高算法收敛速度和寻优精度，许多学者利用不同的方法对GOA进行改进.Ewees et al[9]引入对立学习的思想来更新GOA中每次迭代后的种群，提出OBLGOA（Opposition?based Learning Grasshopper Optimization Algorithm）算法，并通过实验证明该算法的性能比GOA有明显提升.Luo et al[10]利用高斯变异增加种群多样性，并且引入Lévy飞行策略增加搜索的随机性，提高算法的全局寻优能力，实验结果显示，该方法能显著提升算法的收敛速度和寻优精度.Arora and Anand[11]将混沌理论引入GOA中，利用混沌映射来平衡算法的全局探索和局部开发能力，并通过基准函数对算法进行测试，证明该方法的有效性和优越性.李洋州和顾磊[12]提出利用曲线自适应代替GOA中的关键参数，并引入模拟退火机制，实验证明，和传统GOA算法相比，该方法寻优精度更高，收敛速度更快.可见，为解决GOA的问题目前已有许多研究成果，但如何以更有效更简便的方式进一步提高GOA的寻优精度和收敛速度依然值得深入研究. ...
An improved grasshopper optimization algorithm with application to financial stress prediction
1
2018
... 特征选择作为机器学习中数据预处理的关键环节，不仅能够降低数据维度、提高算法的学习效率[1]，还能从数据集中筛选出对分类器分类性能最有用的特征[2]，提高分类准确率.常见的特征选择方法大致可分为过滤式、包裹式以及嵌入式三种[3]，其中包裹式特征选择将学习器的性能优劣作为特征子集的评价标准[4]，因此该方式也最有利于为学习器选择最佳特征子集.但当数据中包含大量特征时，采用包裹式方法对特征子集进行穷举搜索是很难实现的，因此，如何进行有效的特征选择成了一个难题.近年来，许多学者使用群智能优化算法的搜索方式作为包裹式特征选择的搜索机制，包括粒子群优化算法[5]（Particle Swarm optimization，PSO）、蚁狮优化算法[6]（Ant Lion Optimizer，ALO）以及鲸鱼优化算法[7]（Whale Optimization Algorithm，WOA）等较为经典的群智能算.蝗虫优化算法（Grasshopper Optimisation Algorithm,GOA）是Saremi et al[8]于2017年提出的一种模拟自然界中蝗虫的群体行为来解决优化问题的新型群智能优化算法，实验证明该算法在实际问题的求解中有显著效果，但与其他群智能优化算法类似，GOA存在收敛速度慢、易陷入局部最优的问题.为提高算法收敛速度和寻优精度，许多学者利用不同的方法对GOA进行改进.Ewees et al[9]引入对立学习的思想来更新GOA中每次迭代后的种群，提出OBLGOA（Opposition?based Learning Grasshopper Optimization Algorithm）算法，并通过实验证明该算法的性能比GOA有明显提升.Luo et al[10]利用高斯变异增加种群多样性，并且引入Lévy飞行策略增加搜索的随机性，提高算法的全局寻优能力，实验结果显示，该方法能显著提升算法的收敛速度和寻优精度.Arora and Anand[11]将混沌理论引入GOA中，利用混沌映射来平衡算法的全局探索和局部开发能力，并通过基准函数对算法进行测试，证明该方法的有效性和优越性.李洋州和顾磊[12]提出利用曲线自适应代替GOA中的关键参数，并引入模拟退火机制，实验证明，和传统GOA算法相比，该方法寻优精度更高，收敛速度更快.可见，为解决GOA的问题目前已有许多研究成果，但如何以更有效更简便的方式进一步提高GOA的寻优精度和收敛速度依然值得深入研究. ...
Chaotic grasshopper optimization algorithm for global optimization
1
2019
... 特征选择作为机器学习中数据预处理的关键环节，不仅能够降低数据维度、提高算法的学习效率[1]，还能从数据集中筛选出对分类器分类性能最有用的特征[2]，提高分类准确率.常见的特征选择方法大致可分为过滤式、包裹式以及嵌入式三种[3]，其中包裹式特征选择将学习器的性能优劣作为特征子集的评价标准[4]，因此该方式也最有利于为学习器选择最佳特征子集.但当数据中包含大量特征时，采用包裹式方法对特征子集进行穷举搜索是很难实现的，因此，如何进行有效的特征选择成了一个难题.近年来，许多学者使用群智能优化算法的搜索方式作为包裹式特征选择的搜索机制，包括粒子群优化算法[5]（Particle Swarm optimization，PSO）、蚁狮优化算法[6]（Ant Lion Optimizer，ALO）以及鲸鱼优化算法[7]（Whale Optimization Algorithm，WOA）等较为经典的群智能算.蝗虫优化算法（Grasshopper Optimisation Algorithm,GOA）是Saremi et al[8]于2017年提出的一种模拟自然界中蝗虫的群体行为来解决优化问题的新型群智能优化算法，实验证明该算法在实际问题的求解中有显著效果，但与其他群智能优化算法类似，GOA存在收敛速度慢、易陷入局部最优的问题.为提高算法收敛速度和寻优精度，许多学者利用不同的方法对GOA进行改进.Ewees et al[9]引入对立学习的思想来更新GOA中每次迭代后的种群，提出OBLGOA（Opposition?based Learning Grasshopper Optimization Algorithm）算法，并通过实验证明该算法的性能比GOA有明显提升.Luo et al[10]利用高斯变异增加种群多样性，并且引入Lévy飞行策略增加搜索的随机性，提高算法的全局寻优能力，实验结果显示，该方法能显著提升算法的收敛速度和寻优精度.Arora and Anand[11]将混沌理论引入GOA中，利用混沌映射来平衡算法的全局探索和局部开发能力，并通过基准函数对算法进行测试，证明该方法的有效性和优越性.李洋州和顾磊[12]提出利用曲线自适应代替GOA中的关键参数，并引入模拟退火机制，实验证明，和传统GOA算法相比，该方法寻优精度更高，收敛速度更快.可见，为解决GOA的问题目前已有许多研究成果，但如何以更有效更简便的方式进一步提高GOA的寻优精度和收敛速度依然值得深入研究. ...
doi：10.19734/j.issn.1001?3695.2018.07. 0580. (Li Y Z，Gu L
5
2019
... 特征选择作为机器学习中数据预处理的关键环节，不仅能够降低数据维度、提高算法的学习效率[1]，还能从数据集中筛选出对分类器分类性能最有用的特征[2]，提高分类准确率.常见的特征选择方法大致可分为过滤式、包裹式以及嵌入式三种[3]，其中包裹式特征选择将学习器的性能优劣作为特征子集的评价标准[4]，因此该方式也最有利于为学习器选择最佳特征子集.但当数据中包含大量特征时，采用包裹式方法对特征子集进行穷举搜索是很难实现的，因此，如何进行有效的特征选择成了一个难题.近年来，许多学者使用群智能优化算法的搜索方式作为包裹式特征选择的搜索机制，包括粒子群优化算法[5]（Particle Swarm optimization，PSO）、蚁狮优化算法[6]（Ant Lion Optimizer，ALO）以及鲸鱼优化算法[7]（Whale Optimization Algorithm，WOA）等较为经典的群智能算.蝗虫优化算法（Grasshopper Optimisation Algorithm,GOA）是Saremi et al[8]于2017年提出的一种模拟自然界中蝗虫的群体行为来解决优化问题的新型群智能优化算法，实验证明该算法在实际问题的求解中有显著效果，但与其他群智能优化算法类似，GOA存在收敛速度慢、易陷入局部最优的问题.为提高算法收敛速度和寻优精度，许多学者利用不同的方法对GOA进行改进.Ewees et al[9]引入对立学习的思想来更新GOA中每次迭代后的种群，提出OBLGOA（Opposition?based Learning Grasshopper Optimization Algorithm）算法，并通过实验证明该算法的性能比GOA有明显提升.Luo et al[10]利用高斯变异增加种群多样性，并且引入Lévy飞行策略增加搜索的随机性，提高算法的全局寻优能力，实验结果显示，该方法能显著提升算法的收敛速度和寻优精度.Arora and Anand[11]将混沌理论引入GOA中，利用混沌映射来平衡算法的全局探索和局部开发能力，并通过基准函数对算法进行测试，证明该方法的有效性和优越性.李洋州和顾磊[12]提出利用曲线自适应代替GOA中的关键参数，并引入模拟退火机制，实验证明，和传统GOA算法相比，该方法寻优精度更高，收敛速度更快.可见，为解决GOA的问题目前已有许多研究成果，但如何以更有效更简便的方式进一步提高GOA的寻优精度和收敛速度依然值得深入研究. ...
... 本文在不同维度（Dim=5，30）的搜索空间中，利用六个基准测试函数测试IGOA算法性能，设置种群规模为30，最大迭代次数为500次.为获得更为客观真实数据，取算法独立运行30次后得到的最优解的均值和方差，与相同条件下的传统蝗虫优化算法以及李洋州和顾磊[12]提出的最新的改进蝗虫优化算法（CAGOA2，SA?CAGOA2）进行对比，测试结果如表2所示(表中黑体字表示对比算法得到的最优值).为证明IGOA算法比传统蝗虫优化算法的收敛速度更快，通过对比两种算法的收敛曲线，验证本文提出的IGOA算法的有效性及优越性，实验结果如图3和图4所示. ...
... Optimization performance of IGOA and other algorithms
Table 2| 函数 | Dim | | GOA | 文献[12] | IGOA |
|---|
| F1 | 5 | Mean ...
... 由表2可知，IGOA算法无论是在5维或是30维的搜索空间中，针对六个基准测试函数，算法的寻优精度及稳定性都明显优于传统蝗虫优化算法.通过与李洋州和顾磊[12]提出的最新的改进蝗虫优化算法（包含CAGOA2与SA?CAGOA2两种方法，本文所对比的方法为原文中在D=5及 ...
... 传统蝗虫优化算法采用线性递减系数，所以无法有效平衡算法在迭代过程中的全局探索和局部开发能力.而本文的IGOA算法不仅采用非线性递减系数，同时还引入非线性权重系数和个体扰动策略，不仅能有效地平衡算法的全局探索和局部开发能力，提高算法的收敛速度，还可以避免算法陷入局部最优，提高算法寻优精度.因此，IGOA算法无论是寻优精度还是收敛速度都明显优于传统蝗虫优化算法，而且比李洋州和顾磊[12]提出的最新的改进算法也有明显优势. ...
基于Powell搜索的混沌鸡群优化算法
1
2018
... 为避免算法出现早熟收敛现象，受杨菊蜻等[13]的启发，本文引入limit阈值来判断算法是否陷入局部最优，通过设置limit阈值限定种群中最优解的停滞次数.当停滞次数达到所设阈值时，在种群中随机选取n个个体，利用非线性递减系数c对其进行扰动，改变个体所处位置，提高种群多样性，使算法跳出局部最优.limit阈值的设置需根据具体的问题来决定：阈值过高会无法及时使算法跳出局部最优；阈值过低则会频繁地对种群中的个体进行随机扰动，影响种群的平均适应度.本文多次改变limit阈值进行试验来选择试验效果最好的limit阈值，最终设置limit阈值为15.此外，对于随机选取的个体数n，由于较高的n值会使多数个体的位置发生改变，不利于种群进化的稳定性；而较低的n值则无法为种群提供足够的多样性.经多次测试，本文取n=N/3，N为种群中的个体数.为保证种群中的个体随算法迭代不断向最优解靠近，在进行limit判定前对位置更新后种群中的个体进行择优保留. ...
基于Powell搜索的混沌鸡群优化算法
1
2018
... 为避免算法出现早熟收敛现象，受杨菊蜻等[13]的启发，本文引入limit阈值来判断算法是否陷入局部最优，通过设置limit阈值限定种群中最优解的停滞次数.当停滞次数达到所设阈值时，在种群中随机选取n个个体，利用非线性递减系数c对其进行扰动，改变个体所处位置，提高种群多样性，使算法跳出局部最优.limit阈值的设置需根据具体的问题来决定：阈值过高会无法及时使算法跳出局部最优；阈值过低则会频繁地对种群中的个体进行随机扰动，影响种群的平均适应度.本文多次改变limit阈值进行试验来选择试验效果最好的limit阈值，最终设置limit阈值为15.此外，对于随机选取的个体数n，由于较高的n值会使多数个体的位置发生改变，不利于种群进化的稳定性；而较低的n值则无法为种群提供足够的多样性.经多次测试，本文取n=N/3，N为种群中的个体数.为保证种群中的个体随算法迭代不断向最优解靠近，在进行limit判定前对位置更新后种群中的个体进行择优保留. ...
Whale optimization approaches for wrapper feature selection
4
2018
... 在特征选择问题中，IGOA种群中的每个个体都代表数据集中的一组特征组合，也即是所谓的特征子集.个体维度则由数据集中的原始特征数决定，并且每个个体向量均由0和1组成，1表示选取了对应的特征属性，0则表示该特征属性未被选取.在IGOA种群初始化时个体各维度的取值为[0,1]的随机数，因此为使种群中的个体向量均为0和1组成，本文取个体各维度值大于0.65的值为1，其余值置0，得到由0和1组成的个体向量.为了以尽可能少的特征数获得尽可能高的分类准确率，评价个体好坏的适应度函数需同时考虑这两个因素，因此本文采用的适应度函数定义如下[14]： ...
... 为了比较本文提出的IGOA?FS方法与其他基于群智能优化的特征选择方法的性能优劣，将其与Mafarja and Mirjalili[14]提出的基于鲸鱼优化的特征选择方法、Emary et al[15]提出的基于蚁狮优化的特征选择方法以及Sayed et al[16]提出的基于混沌乌鸦搜索的特征选择方法相对比，分类准确率对比结果如表5所示(表中黑体字为对比算法得到的最优值，“—”表示参考文献未给出相应数据)，算法的平均特征选择率如图5所示. ...
... CM[14] ...
... 由表5可知，在特征数较少的数据集上，IGOA?FS的分类准确率仅在D2，D3，D7数据集上略劣于Mafarja and Mirjalili[14]和Emary et al[15]提出的方法，而在其余四个数据集上的分类准确率均明显高于其他对比算法.根据图5可知，IGOA?FS的特征选取率仅在D2及D3数据集上略高于WOA?CM以及CCSA，而在其余数据集上的特征选择率均低于其他对比算法，也就是说，IGOA?FS在其余数据集上不仅能获得更高的分类准确率，而且所选择的特征子集的长度比其他对比算法更低，特征选择性能更好. ...
Feature selection based on antlion optimization algorithm
3
2015
... 为了比较本文提出的IGOA?FS方法与其他基于群智能优化的特征选择方法的性能优劣，将其与Mafarja and Mirjalili[14]提出的基于鲸鱼优化的特征选择方法、Emary et al[15]提出的基于蚁狮优化的特征选择方法以及Sayed et al[16]提出的基于混沌乌鸦搜索的特征选择方法相对比，分类准确率对比结果如表5所示(表中黑体字为对比算法得到的最优值，“—”表示参考文献未给出相应数据)，算法的平均特征选择率如图5所示. ...
... set ALO[15] | CCSA[16] | WOA? ...
... 由表5可知，在特征数较少的数据集上，IGOA?FS的分类准确率仅在D2，D3，D7数据集上略劣于Mafarja and Mirjalili[14]和Emary et al[15]提出的方法，而在其余四个数据集上的分类准确率均明显高于其他对比算法.根据图5可知，IGOA?FS的特征选取率仅在D2及D3数据集上略高于WOA?CM以及CCSA，而在其余数据集上的特征选择率均低于其他对比算法，也就是说，IGOA?FS在其余数据集上不仅能获得更高的分类准确率，而且所选择的特征子集的长度比其他对比算法更低，特征选择性能更好. ...
Feature selection via a novel chaotic crow search algorithm
2
2019
... 为了比较本文提出的IGOA?FS方法与其他基于群智能优化的特征选择方法的性能优劣，将其与Mafarja and Mirjalili[14]提出的基于鲸鱼优化的特征选择方法、Emary et al[15]提出的基于蚁狮优化的特征选择方法以及Sayed et al[16]提出的基于混沌乌鸦搜索的特征选择方法相对比，分类准确率对比结果如表5所示(表中黑体字为对比算法得到的最优值，“—”表示参考文献未给出相应数据)，算法的平均特征选择率如图5所示. ...
... set | ALO[15] | CCSA[16] | WOA? ...
Feature selection for high?dimensional data：a fast correlation?based filter solution
1
2003
... 而在特征数较多的数据集D7上，IGOA?FS的分类精度及特征选择率虽然略劣于WOA?CM，但与GOA?FS及采用全特征进行训练的KNN算法相比仍具有明显优势，证明IGOA?FS算法能在特征数较多的数据集上进行有效的特征选择，而且在特征维度较高的情况下[17]，算法的性能仍具有一定的提升空间. ...
- 020-88888888
-
微信号：WX8888888微信二维码
-
平台注册入口  
| |
