【技术实现步骤摘要】
一种基于变异樽海鞘群算法优化FKNN模型参数的方法及装置
本专利技术涉及计算机
,尤其涉及一种基于变异樽海鞘群算法优化FKNN(模糊K最近邻,fuzzyK-nearestneighbor)模型参数的方法及装置。
技术介绍
在现实世界中,有许多实际应用问题可以抽象为实际参数优化问题,并建立相应的数学模型。在解决问题的时候,人们往往希望能尽快找到最佳解决方案。虽然传统的数学优化方法可以解决一些优化问题,但必须满足如下两个要求:1、问题必须是凸的;2、最终解与初始点密切相关。因此,学者们正尝试寻找其他高效的算法。作为一种有效的方法,元启发式算法被证明能有效地找到优化问题的最优解或近似最优解。根据自身的特点,自然启发算法可以分为以下三类:物理启发算法(PAs)、进化算法(EAs)和群智能算法(SIAs)。近年来,受群体行为的启发,许多不同的SIAs算法被不同的学者提出,如粒子群优化(PSO)、人工蜂群(ABC)、Harris-Hawks优化器(HHO)、salp-swarm算法(SSA)等。作为一种新型的优化算法,SSA是由Mirjalili于2017年创立的,其灵感来源于salps的觅食行为。搜索策略在很大程度上决定了群智能算法的性能。换句话说,不同的优化问题需要不同的搜索策略。因此,集成变异策略可以提高群算法的探索和开发能力。现如今有许多应用多变异方案的差分进化(DE)算法,如:Cui等人通过自适应嵌入三种去变异策略,提出了一种基于多个子种群的自适应去变异算法(MPADE),在基准问题和现实问题上均优于去变 ...
【技术保护点】
1.一种基于变异樽海鞘群算法优化FKNN模型参数的方法,其特征在于,所述方法包括以下步骤:/n步骤S1:获取样本数据并对所获取到的样本数据进行归一化处理;/n步骤S2、利用预设的重启机制的集成变异樽海鞘群算法优化FKNN的参数(k,m),具体为:/n步骤S2.1、参数初始化;其中,初始化的参数包括:种群个数N、最大迭代次数Max_iter、k的搜索空间[kmin,kmax]和m的搜索空间[mmin,mmax];/n步骤S2.2、种群位置初始化:随机产生N个个体位置,其中第i个个体的位置为X
【技术特征摘要】
1.一种基于变异樽海鞘群算法优化FKNN模型参数的方法,其特征在于,所述方法包括以下步骤:
步骤S1:获取样本数据并对所获取到的样本数据进行归一化处理;
步骤S2、利用预设的重启机制的集成变异樽海鞘群算法优化FKNN的参数(k,m),具体为:
步骤S2.1、参数初始化;其中,初始化的参数包括:种群个数N、最大迭代次数Max_iter、k的搜索空间[kmin,kmax]和m的搜索空间[mmin,mmax];
步骤S2.2、种群位置初始化:随机产生N个个体位置,其中第i个个体的位置为Xi=(xi1,xi2),i=1,2,……,N;其中,xi1表示个体i在当前位置时的k值,xi2表示个体i在当前位置时的m值;
步骤S2.3、对N个个体计算其适应度fi,该适应度值是基于个体i当前位置的k和m值;首先,根据公式(1)以内部K折交叉验证策略计算FKNN的准确度ACC,并将该值作为个体i的适应度fi的值;然后,根据公式(2)更新领队的位置,根据公式(3)更新跟随者的位置;
其中,acck表示每一折数据上计算获得的准确度;X1,j和Fj分别表示第j维中领队和食物源的位置;c1是一个控制参数,在整个迭代过程中自适应减小,并用计算,l代表当前迭代次数,L代表最大迭代次数;参数c2和c3在区域[0,1]中随机生成;ubj和lbj分别表示第j维度的上边界和下边界;Xi,j表示第i个跟随者在第j维度中的位置,且i≥2;
步骤S2.4、采用集成变异策略更新樽海鞘群算法中樽海鞘的位置:通过公式(4)~(6),生成第i个樽海鞘的三个候选位置Vi1、Vi2和Vi3,并在生成第i个樽海鞘的三个候选位置Vi1、Vi2和Vi3后,基于上下边界对这三个侯选位置进行修正,且进一步从Vi1、Vi2和Vi3中选择适应度最低的最佳候选解Vi,使用公式(7)更新第i个樽海鞘的位置;
其中,r1~r11和rand均为[0,1]之间的随机数;F1表示设置为1.0的比例系数,cr1表示设置为0.1的交叉率;F2表示设置为0.8的比例系数,cr2表示设置为0....
【专利技术属性】
技术研发人员:吴述彪,陈慧灵,王智岩,张乐君,赵学华,谷志阳,蔡振闹,陈一鹏,
申请(专利权)人:温州大学,
类型:发明
国别省市:浙江;33
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。