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制造方法及图纸

本发明专利技术提供一种基于变异樽海鞘群算法优化模糊k近邻(FKNN)模型参数的方法，包括获取样本数据并对所获取到的样本数据进行归一化处理；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；使用最优的近邻个数k和模糊强度系数m值来优化FKNN模型，并基于10折交叉验证对测试数据进行预测。实施本发明专利技术，能提升算法的收敛速度和收敛精度，提升算法逃脱局部最优解的能力，从而找到更优的全局近似最优解。

【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异算法。Fan等人提出了一种带控制参数分区进化和自适应变异策略(ZEPDE)的自适应DE(SDE)算法，该算法自适应地应用了5种DE变异策略，提高了DE的性能。Li等人提出了一种多搜索差分进化算法(MSDE)，该算法引入了多种变异方法，例如：DE/current到cbest/1、DE/current到rbest/1和DE/current到fbest/1三种变异操作，以提高DE的开发和/或探索水平。Paldrak等人采用五种变异因子，开发了基于可变邻域搜索算法(EDE-VNS)的差分进化算法集成。Poláková等人提出了一种具有竞争策略的L-Shade算法(LSHADE44)，该算法使用两个变异算子和两个交叉方案来评估基于历史的线性种群规模缩减(L-Shade)自适应DE变量的性能。Wang提出了一种时间帧自适应差分进化算法(TFADE)，该算法采用三种变异方案生成候选解。Wu等人将三种突变策略与多种群机制相结合，提出了多种群集成DE(MPEDE)。所有这些集成突变策略都增强了DE的探索和开发能力，显著提高了DE的性能。但是，采用现有的搜索算法来处理FKNN模型参数对(k，m)优化问题，还有待进一步提升算法的收敛速度和收敛精度，提升算法逃脱局部最优解的能力，从而找到更优的全局近似最优解。
技术实现思路
本专利技术实施例所要解决的技术问题在于，提供一种基于变异樽海鞘群算法优化FKNN模型参数的方法，通过变异樽海鞘群算法来优化FKNN的参数对(k，m)，借助算法易收敛，收敛精度高，以及逃脱局部最优解的能力强的特点，找到更优的全局近似最优解以获得分类精度更高的FKNN模型。为了解决上述技术问题，本专利技术实施例提供了一种基于变异樽海鞘群算法优化FKNN模型参数的方法，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0.2的交叉率；F3表示设置为1.0的比例系数，cr3表示设置为0.9的交叉率；Vi表示修改后的最佳候选解；Xi表示第i个樽海鞘的位置，其中若Vi的适应度优于第i个樽海鞘，则用Vi代替Xi，否则保持不变；步骤S2.5、若第i个樽海鞘的位置在限制阈值内没有得到改善时，应用重启机制来帮助樽海鞘远离局部最优，以防止种群陷入局部最优，具体过程为：使用一个试验向量trial(i)来记录第i个樽海鞘的位置没有得到改善的次数，如果在当前搜索中第i个樽海鞘的位置没有得到改善，则第i个樽海鞘的试验向量trial(i)增加1；否则，trial(i)重置为零；如果试验向量trial(i)超出预定义限制，则用试验向量T1和T2中较优的向量来替换第i个樽海鞘的位置，且试验向量trial(i)将重置为零；其中，T1由公式(8)生成；T2由公式(9)生成，若T2在位置的第j个维度中超出上边界ubj或下边界lbj时，则用公式(10)来将其替换；T1,j＝lbj+rand()×(ubj-lbj)(8)；T2,j＝rand()×(ubj+lbj)-Xi,j(9)；T2,j＝lbj+rand()×(ubj-lbj)ifT2,j≥ubj||T2,j≤lbj(10)；其中，T1,j表示位置T1的第j维；T2,j表示位置T2的第j维；ubj和lbj分别表示第j维的上边界和下边界；rand()表示区域[0,1]中的随机数；步骤S2.6、采取和步骤2.3中相同的k和m编码方式后以内部K折交叉验证策本文档来自技高网...

【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