论文部分内容阅读
传统的粒子群算法(PSO)具有很强的全局搜索能力,但易于失去多样性,因而导致早熟收敛。本文通过将问题中蕴含的先验约束编码进PSO中来控制粒子的飞行从而提高PSO的搜索性能。将问题中所蕴涵的先验约束编码进学习算法不但能够提高算法的搜索性能,还能够增加机器学习的可解释性,因此本文的研究具有重要的理论意义。本文的主要工作包括以下几个方面:
(1)提出了一类改进的吸引排斥粒子群优化算法(ARPSO)(IARPSO-Ⅰ和IARPSO-Ⅱ)。该类算法以种群多样性信息为指导,在粒子的“吸引”和“排斥”状态之间引入混合状态,有效地缓解了由“吸引”直接过渡到“排斥”状态时所引起的强烈波动,使得粒子群在较长时问迭代之后仍然能保持一定的多样性,从而有效克服了粒子群早熟收敛的缺点。此外,当种群陷入了局部极小点时,引入一种改进的变异操作增大其跳出局部极值点的可能性。在改进的ARPSO基础上,将它们与误差反向传播(BP)算法相结合,提出IARPSO-Ⅰ-BP和IARPSO-Ⅱ-BP算法。在函数逼近和Benchmark数据集分类上的实验表明,IARPSO-Ⅰ和IARPSO-Ⅱ算法(IARPSO-Ⅰ-BP和IARPSO-Ⅱ-BP算法)比标准PSO及其经典的改进(传统的PSO-BP算法和单步算法)具有更好的泛化性能和更快的收敛速度。
(2)运用单隐层前馈神经网络提取出基因表达谱数据中基因-类别灵敏度(GCS)信息,并将该类信息编码进离散粒子群算法(BPSO)中以获得有利于分类的基因,从而提高癌症的识别和正确诊断率。该算法根据各个基因的GCS值来确定粒子群的初始位置、更改粒子的更新公式、动态调整粒子飞行速度上下界以及对全局最优位置执行变异操作。相比于传统的基因选择方法,由于该算法充分利用了基因的先验信息,因而能以较少的基因获得较高的识别率,并且选出的基因可解释性更强。