论文部分内容阅读
随着计算机技术的发展和大数据时代的到来,分类问题因其能够帮助人们快速的获取有效信息而得到了越来越多的关注。其中,支持向量机因其可以解决凸优化问题、具有较低的VC维度等突出优点而成为分类研究的一个重要方向,但是分类精度仍有待提高。传统的支持向量机参数寻优方法大多实现复杂且精度不理想,而群智能优化算法因其具有较强的并行处理能力、全局搜索能力强等优点,目前已被广泛用于求解优化问题中。因此,本文基于细菌觅食优化算法和蚁狮优化算法分别针对低维度和高维度两种分类问题提出了相关改进。首先,针对低维度的数据分类问题,提出了一种基于增强搜索的细菌觅食优化算法(SCIBFO)。将自适应的柯西变异方法引入细菌觅食优化算法中,除此之外将模拟退火算法的思想融入细菌觅食优化算法中。仿真实验用测试函数证实了SCIBFO算法的有效性,然后将SCIBFO算法用于低维度数据的分类问题中,并用公开测试集证实了所提出的分类算法的有效性。然后,针对高维度的数据分类问题,提出了一种基于自适应差分思想的蚁狮优化算法(ADEALO)。在该算法中我们提出了一种蚂蚁随机游走的自适应策略,使蚂蚁随机游走的范围随着迭代次数的增加而变大,以增强算法的搜索能力同时避免算法陷入局部最优。除此之外,将差分算法的思想融入蚁狮优化算法中,对蚁狮个体进行变异、交叉和选择操作,并用贪心策略保留更优的个体用于下一次迭代,从而增加种群的多样性,同时可以避免算法陷入局部最优。仿真实验运用标准的测试函数证实了 ADEALO算法对高维度问题的有效性。然后将ADEALO算法用于高维度的复杂分类问题中,并用公开测试集证实了所提出的分类算法的有效性。相对于传统的支持向量机参数寻优方法,本文提出的基于增强搜索的细菌觅食优化算法(SCIBFO)和基于自适应差分思想的蚁狮优化算法(ADEALO)具有更高的分类准确率和稳定性;另外,与细菌觅食优化算法(BFO)、粒子群算法(PSO)、遗传算法(GA)比较,本文提出的SCIBFO算法在针对低维度分类问题中具有更好的分类准确率和稳定性;与蚁狮优化算法(ALO)、粒子群算法(PSO)、遗传算法(GA)比较,本文提出的ADEALO算法在针对高维度的复杂分类问题中具有更好的分类准确率和稳定性。