基于教学优化算法的帕金森疾病数据特征选择方法研究

帕金森疾病作为一种致死率较高的老年神经系统退行性疾病,发病率日益上升。因此对帕金森疾病数据进行特征预测和分析,有助于帮助患者进行早期干预治疗,提高治愈率。本文提出了一种基于改进教学优化算法的特征选择方法,在原有的教学优化算法基础上通过自适应教学因子,提高算法精密搜索的性能,使用多学习策略增强算法的全局搜索能力,加速收敛。算法通过KNN、十倍交叉进行分类验证,实验结果与原有的教学优化算法相比,在帕金森疾病数据特征选择上性能更优。     

融合加权中心学习的改进教与学优化算法

针对教与学优化(teaching-learning-based optimization,TLBO)算法容易出现收敛速度慢、解精度下降、早熟等问题,提出了一种融合加权中心学习的改进教与学优化(improved teaching-learning-based optimization with weighted center, WCTLBO)算法。利用Halton序列初始化种群,增加算法搜索到最佳解的可能性;将加权中心学习思想与教算子融合,并以该中心取代教师的教职责,抑制种群在教师个体周围的过早聚集,保证最优个体在收敛过程中的主导作用;将小组讨论机制引入学算子,有效抑制教算子存在的早熟问题,使个体在算法后期具一定的突跳性,避免种群陷入局部最优。在14个测试函数上进行仿真实验,结果表明,WCTLBO算法与其他同族算法相比,具有更高的解精度和更快的收敛速度。     

基于小班级并行教学的教与学优化算法研究

针对教与学优化算法后期收敛速度慢,易陷入局部最优的缺陷,提出了一种小班级并行教学的教与学优化算法。该算法将学生分成两个班级,一个班级在教学阶段之前加入学生预习阶段,以提高算法的开发能力。另一个班级引入Metropolis准则,提高算法搜索能力。选择两个班级中成绩较好的学生组成一个临时班级,并选出其中优秀学生按一定比例替换两个小班级中成绩较差学生继续寻优。每次迭代后,临时班级中的学生根据成绩好坏更新一次,直到满足条件跳出循环。在测试函数上进行仿真实验,验证了该算法的有效性。     

基于PSO与GA的SVM特征选择与参数优化算法

支持向量机（SVM）在处理大样本特征维数较多的数据集时,算法消耗时间长而且容易陷入局部最优解,选择不合适的SVM算法参数会影响SVM模型分类性能。为了提高SVM性能,提出了基于粒子群算法（PSO）和遗传算法（GA）相结合的SVM特征选择与参数同步优化算法PGS。在UCI标准数据集上的实验表明,PGS算法能有效地找出合适的特征子集及SVM算法参数,提高收敛速度并能在较小的特征子集获得较高的分类准确率。     

采用改进黑猩猩优化算法的特征选择

针对黑猩猩优化算法在勘探阶段可能会陷入局部最优的缺点,提出了一种改进的黑猩猩优化算法。首先计算适应度值最高和最低的黑猩猩之间的斯皮尔曼等级相关系数,然后采用甲虫天线搜索算法使得适应度值低的黑猩猩获得嗅觉能力,以提高适应度值低的黑猩猩的局部勘探开发能力。同时为解决传统支持向量机在封装式特征选择中分类精度较差的问题,将改进后的黑猩猩优化算法与支持向量机相结合,实现同步优化。为了验证所提方法的有效性,选取了UCI(University of California, Irvine)数据库中的10个数据集进行实验,从精确度、所用特征个数和适应度值三个方面与常用算法进行比较和综合评价,实验结果表明该算法具有更好的精确度和稳定性,有效适用于特征选择这一工程问题。     

基于正弦余弦的自适应教与学优化算法

为了克服教与学优化算法求解精度低、早熟收敛问题,提出了一种新的基于正弦余弦的自适应改进教与学优化算法（ASCTLBO）。该算法在教学阶段,提出新的自适应教学因子,引入自适应惯性权重,使得当前个体向全局最优个体学习,增强了算法的局部搜索能力。在学习阶段利用正弦余弦函数的震荡变化性质对学习者个体位置进行自适应更新,维持种群的多样性,增强算法全局搜索能力。数值试验表明,提出的新算法是有效的,具有较好的收敛速度和求解精度。     

基于熵的特征选择的AdaBoost改进算法

在模式分类领域,分类器特征输入的选择对分类效果是至关重要的.我们提出了一种新的基于相对熵的特征选择AdaBoost方法.在该算法中,引入相对熵度量两类间的距离.在每一轮中,选择最优特征作为二维分量分类器的输入.随着权值的改变,在每一轮中特征的选择也不同.最后,由一组弱分类器结合而成的强分类器.实验表明,与遍历搜索的AdaBoost算法相比,该算法的检测正确率提高了5%,而时间缩短了20%以上.     

一种改进的教与学的优化算法

教与学优化算法(TLBO)是一种基于班级教学过程和学习过程的新型智能优化算法。针对TLBO算法全局搜索能力较差,容易陷入局部最优的问题,提出了一种改进的教与学优化算法(ITLBO)。通过加入反馈阶段,使得成绩较差的学生与教师及时进行反馈交流,提高了算法的寻优精度;同时,为了克服早熟收敛现象,引入准确性因子,维持了种群多样性。数值试验表明ITLBO算法比基本TLBO算法在收敛速度和寻优精度上更具有优势。     

混沌果蝇优化算法研究

针对基本果蝇优化算法寻优精度低和收敛速度慢的缺点,提出一种基于Sinusoidal混沌映射的果蝇优化算法.首先,在寻优过程中引入混沌优化参数更新果蝇群位置,优化全局搜索能力;其次,将其它4种混沌映射与FOA算法相结合,在7个基准测试函数上进行性能对比分析,得到性能最优的一种混沌果蝇优化算法SFOA.仿真结果表明,提出的...     

特征选择算法综述及进展研究

特征选择作为一种重要的数据预处理手段,可以解决维数灾难问题,提高算法泛化能力,提高模型的可理解性,因此,对特征选择算法进行广泛深入的研究是必要的。为此,综述了特征选择算法的框架,给出了目前的主要算法,并探讨了目前的研究热点和将来可能的研究方向。     

小学数学教与学的优化结合初探

小学数学课堂教学是一个动态生成的过程,在这个过程中教师不仅要做到激疑生欲,实现教师与学生的心理同步,还要做到科学调控,实现教与学的动态平衡。只有教与学的有机结合,才能调动学生学习的积极性,提高课堂教学效率,从而达到课堂教学效果的最优化。     

免疫算法关键技术与优化研究

在生物科学和信息学科研究领域,国内外专家已经对进化、遗传和免疫等自然现象进行了广泛而深入的研究。设计了一种新的并行混沌免疫优化算法,该算法不仅将混沌优化的最新成果引入到免疫算法研究领域,而且将混沌优化和免疫算法进行有机融合,为免疫算法研究领域提供了新的研究工具和方法。     

改进教与学优化算法求解0-1背包问题

为了有效快速求解0-1背包问题,提出了改进的教与学优化算法.在基本教与学优化算法的基础上,根据0-1背包问题离散化的特点提出了二进制编码方案,利用贪心算子修复不可行解并优化可行解,加快了算法的收敛速度;为了更好地平衡全局探索和局部开发的关系,使用正余弦算子和自适应的惯性权重在迭代过程中调整探索和开发的相对比例,避免算法...     

信息论特征选择算法的改进

特征选择在模式识别技术中起着非常重要的作用，已有多种特征选择的方法，但用信息论的方法进行特征选择还是一个新的课题，MIFS算法和MIFS-U算法都是近似算法，随着输入特征的增加，特征选择性能逐渐下降．本文通过研究这两种算法，提出一种改进方法，在运算量几乎不增加的情况下，提高这两种算法的特征选择性能。     

分支定界算法在白细胞特征选择中的应用研究

提出了一种基于分支定界算法的白细胞图像特征选择方法，该方法可有效降低特征空间的维数，加速分类器的速度。为验证方法的有效性，分别用106个原始特征和从106个特征中选择35个最优特征进行分类实验。结果表明，两种情况的分类效果无明显改变，有效缩短了分类器的分类时间。     

基于dijkstra算法的农网路径优化

在线路设计中路径的选择极甚为关键的环节,它会严重影响工程的总造价和运行的稳定性。根据送电线路路径选择上的一些特点,建立在全局基础上最优的路径搜索模型,并且把地质情况、水文状况和林带等影响线路的路径选择的因素统统包括在内,最后运用dijkstra算法在模型上进行最优路径搜索。仿真结果说明,dijkstra算法可以正确地计算出全局最优路径。     

一种基于克隆选择与多父体杂交的函数优化算法

提出了一种基于克隆选择与多父体杂交操作的函数优化算法。算法通过克隆选择、高频变异与多父体杂交操作对多个可行解进行搜索，提高了克隆选择算法在解决函数优化问题的全局寻优性能。     

分支定界算法在白细胞特征选择中的应用研究

提出了一种基于分支定界算法的白细胞图像特征选择方法,该方法可有效降低特征空间的维数,加速分类器的速度.为验证方法的有效性,分别用106个原始特征和从106个特征中选择35个最优特征进行分类实验.结果表明,两种情况的分类效果无明显改变,有效缩短了分类器的分类时间.     

基于显著性特征的图像检索相关反馈算法研究

基于内容的图像检索研究的目的是实现自动地、智能地检索图像,从而使查询者可以方便、快速、准确地从图像数据库中查找特定图像。基于显著性特征的图像检索相关反馈算法是在Rui所提出的基于特征权重调整的相关反馈算法的基础上提出的一种新的反馈策略,以提高图像数据库检索的效果。     

基于遗传的优化算法

遗传算法是一类全局优化的仿生类算法，它通过模拟生物进化过程中的复制、交叉和变异来完成优化搜索．在遗传算法的基本思想下，给出了一个简单遗传算法(SGA)及相关应用示例．