导读:本文包含了人工选择算法论文开题报告文献综述及选题提纲参考文献，主要关键词:数据流,大数据,特征选择,粗糙集
人工选择算法论文文献综述
高薇,解辉[1]（2019）在《基于粗糙集与人工蜂群算法的动态特征选择》一文中研究指出为提高动态数据流特征提取的计算效率与性能,设计一种基于粗糙集与人工蜂群算法的动态数据流特征选择算法。修改人工蜂群算法中雇佣蜂阶段与侦查蜂阶段的位置更新方程,降低人工蜂群算法早熟收敛的几率,增强人工蜂群算法的鲁棒性,使其满足动态特征选择算法的稳定性需要。使用粗糙集定义数据流增量数据的适应度函数,人工蜂群算法从旧特征子集与增量数据提取新的全局特征子集。基于10个公开的数据集分别进行特征提取与分类实验,实验结果表明,该算法在保持较高分类准确率的前提下,明显减少了特征数量,实现了较高的动态特征计算效率。(本文来源于《计算机工程与设计》期刊2019年09期）
巫红霞,谢强[2]（2019）在《基于加权社区检测与增强人工蚁群算法的高维数据特征选择》一文中研究指出为了提高高维数据特征选择的时间效率、降低特征选择的冗余度与不相关性,提出一种基于加权社区检测与增强人工蚁群算法的高维数据特征选择算法。设计加权的社区检测算法,将特征相似性作为社区划分的模块度,根据特征判别力为社区分配不同的权重;通过人工蚁群算法并行地处理每个特征分类,将每个特征分类按优劣程度组成队列;选出每个队列的top-k特征子集做全局比较,提取全局最优的特征子集。仿真实验结果表明,该算法对于高维数据集实现了较好的特征提取结果,并且实现了合理的时间成本。(本文来源于《计算机应用与软件》期刊2019年09期）
孙辉,谢海华,赵嘉[3]（2018）在《正弦选择概率模型的全局最优引导人工蜂群算法》一文中研究指出针对人工蜂群算法收敛速度慢以及蜜源的选择概率区分度不够等缺点,提出了一种新的改进人工蜂群算法。依据当前最优蜜源、最差蜜源、当前蜜源建立正弦选择概率模型,并结合全局最优引导策略,构成新算法。概率模型以最优、最差蜜源适应值之差为尺度,衡量当前蜜源适应值所占比重,随后将比重值带入sin函数,即可得当前蜜源的选择概率值。在30、100维上,22个基准测试函数的仿真实验结果表明,正弦选择概率模型能克服后期蜜源区分度不够的问题,为观察蜂跟随雇佣蜂提供正确的引导。与知名的改进人工蜂群算法比较,该算法具有很好的优势。(本文来源于《南昌工程学院学报》期刊2018年06期）
谢福鼎,雷存款,李芳菲,嵇敏[4]（2018）在《基于模糊c均值算法和人工蜂群算法的无监督波段选择》一文中研究指出波段选择是高光谱影像处理中一种重要的降维方法.在类标签不可获得的情况下,如何选择出一个具有代表性的波段子集是一个挑战性的问题.为了解决高光谱数据维数灾难以及光谱空间冗余的问题,基于模糊C均值算法(Fuzzy c-means,FCM),人工蜂群算法(Artificial Bee Colony, ABC)与极大熵准则(Maximum Entropy, ME),文章提出了一种新的无监督波段选择方法.该方法首先通过FCM算法将相似的波段划分到一个波段子集中,然后以ME为ABC算法中的适应度函数,寻找优化的波段子集.为验证该算法的有效性,在叁个典型的高光谱数据集上,将所提出的方法和其它一些有效的波段选择算法进行了分类精度和计算时间对比.实验结果表明,所提出的算法不但可以得到高的分类精度,同时在计算时间上也具有明显的优势.(本文来源于《系统科学与数学》期刊2018年12期）
仇筠茜,陈昌凤[5]（2018）在《基于人工智能与算法新闻透明度的“黑箱”打开方式选择》一文中研究指出算法新闻是由机器学习或者神经网络为技术基础而生产和分发的新闻,工作过程包括输入、吞吐和产品输出叁个流程。人工智能技术的介入将新闻全流程都纳入了人为无法识别的"黑箱",带来算法偏见、算法主权、透明度等诸多问题。增进算法透明度方式有叁种:I-T-O的逐步拆解、逆向工程学、可理解的透明度。由于商业机密、用户隐私、受众数据素养等影响,前两种方式的可行性受到限制,应倡导以间性"算法集"为视角、以"数据主体"的规范理念为出发点来推进落实"可理解的透明度"。(本文来源于《郑州大学学报(哲学社会科学版)》期刊2018年05期）
朱旭辉[6]（2018）在《基于二元人工鱼群算法的属性选择与集成剪枝及应用研究》一文中研究指出数据预处理与数据挖掘技术是挖掘复杂数据中有价值的知识和信息的关键环节,其中属性选择是数据预处理环节中的重要技术之一,集成学习也是数据挖掘环节中的关键技术之一。属性选择可以在保持原始数据信息不丢失的条件下,保留原始数据中关键属性,约简冗余、不相关的属性,避免数据挖掘过程中出现维数灾难,从而提高数据处理的效率。集成学习是机器学习中的一种范式,其通过某种规则组合多个基分类器,从而获得比单个分类器分类性能更优的集成分类器,有效地解决数据挖掘中的分类预测问题。集成学习被广泛应用在诸多领域,但随着基分类器数目和分类预测问题数据规模的快速增长,带来了大量的计算开销。为了有效地解决上述缺陷,学者们提出了集成剪枝技术,并且进一步提升了集成分类器性能。属性选择主要包括四个方面:属性子集评估度量准则、搜索策略、终止条件和验证过程,其中评估度量准则和搜索策略的选取是两个关键问题。针对属性子集评估度量准则的选择问题,需要寻找一种较为有效的准则,发现原始数据中的本质特征,使得所选择的属性子集与原始数据集保持极大的相似性,提高数据集的分类效果,提升数据处理的效率;针对搜索策略的选取问题,搜索策略需要具有易实现、鲁棒性强和搜索能力强等特点。鉴于上述特点,本文选择分形理论作为属性子集评估度量准则,二元人工鱼群算法作为搜索策略,求解属性选择问题;本文针对二元人工鱼群算法中存在的缺陷,进行了一系列的改进,并结合分形理论应用于求解属性选择问题中。集成剪枝旨在从集成系统中选取基分类器最优子集合,并采用某种规则进行集成,以提高集成分类器的性能,同时大幅减少计算开销。目前国内外主流的集成剪枝方法通常单独采用差异性测度或者启发式搜索算法,进行集成剪枝。基于差异性测度的集成剪枝方法,辅以不同的策略,难以准确地找到集成系统中的最优子集成;基于启发式搜索算法的集成剪枝方法,无法对数目庞大基分类器子集合进行穷尽搜索,难以搜索到最优子集成。为了克服上述缺陷,本文提出了融合差异性测度和启发式搜索算法的集成剪枝思想,其先采用差异性测度对集成系统中的基分类器进行预剪枝,大幅降低集成剪枝问题的计算复杂度,再运用启发式搜索算法进行二次剪枝。考虑到双错测度在衡量基分类器差异性方面的突出性能,以及二元人工鱼群算法在搜索效率方面的优势,将二者结合起来,应用于集成剪枝问题中。本文的主要研究工作和成果总结如下:(1)将一种位置更新策略引入人工鱼群算法中,并改进其聚群、觅食行为,同时引入跳出局部最优策略和并行机制,避免算法陷入局部最优,并增加种群多样性,提高算法的收敛速度和精度,提出了并行二元人工鱼群算法,然后结合分形维数,对雾霾数据集中的属性进行选择,保留关键属性,大幅降低雾霾数据集的维数,提高雾霾数据集的处理效率。在北京、上海和广州叁地区的雾霾数据上进行测试,结果表明了该方法的有效性和可行性。(2)采用佳点集初始化人工鱼群算法的种群,使其均匀分布在二元解空间中,并赋予每条人工鱼一定的游速,使其更加符合自然界鱼类的行为,同时引入种群间的竞争和合作机制,增加种群的多样性,提高算法的搜索效率,提出了协同进化二元人工鱼群算法,结合多重分形维数,对雾霾数据集进行约简,避免了维数灾难,节约了大量的资源,并使用极限学习机对约简后的雾霾数据集进行预测。在北京、上海和广州叁地区雾霾数据集进行实验,实验结果表明了所提出方法的有效性和可信性。(3)计算已构建的基分类器池中基分类器的双错测度,并得出整体平均值,剔除双错测度大于平均值的基分类器,实现基分类器池的预剪枝,降低集成剪枝的计算复杂度;改进人工鱼的移动方式,引入种群内的竞争和协作机制,提升了算法的搜索效率,提出了改进二元人工鱼群算法;运用改进二元人工鱼群算法对预剪枝后的基分类器进行二次剪枝,以达到集成剪枝的目的。在16个UCI数据集上的实验结果验证了该方法的稳定性和有效性,并应用于北京、上海和广州地区的雾霾预测中。(4)先计算基分类器池中每一个基分类器的双错测度,并保留前25个双错测度较小的基分类器,完成基分类器池的预剪枝过程,大幅降低集成剪枝的计算开销;改进人工鱼的移动方式,引入反向搜索行为、竞争行为和跳跃行为,增加了种群的多样性,避免算法陷入局部最优,提出了反向二元人工鱼算法;采用二元人工鱼群算法对预剪枝后剩余的25个基分类器进行二次剪枝,以达到精确剪枝的目的。在25个UCI数据上的实验结果验证了方法的有效性和显着性,并应用于北京、上海和广州地区的雾霾预测中。(本文来源于《合肥工业大学》期刊2018-04-01）
刘明辉[7]（2018）在《改进的多目标人工蜂群算法及其在特征选择中的应用》一文中研究指出群智能算法是一种通过模拟自然界生物变异进化从而实现算法迭代,最终搜寻到期望解的寻优算法。其通过随机初始化模拟物种的原始分布,通过随机搜索以及有选择性地保存后代来模拟物种的自然进化,进而实现算法种群不断进化,寻找到最优解的目的。人工蜂群算法隶属于群智能启发式算法,该算法提出时间较短,效果较好,算法主要包括引领蜂、跟随蜂以及侦查蜂叁个过程,该叁个过程顺序执行,从而最终实现了算法寻优最终解决问题。由于人工蜂群算法具有参数少、应用简便、求解快速的特点,其在函数数值优化、制造流程优化、工程设计以及化学工程领域已经得到广泛的应用。作为一种新型算法,面对某些特定问题人工蜂群算法在进化和优化过程中也依然存在着无法收敛、寻优效果不理想等缺陷,在一定程度影响了其在解决实际问题上的性能。因此,研究人工蜂群算法的内在原理,对其进行改进并应用到求解多目标问题领域,具有非常重要的工程与学术价值。本文通过研究分析当前最新的人工蜂群改进算法,针对算法中存在的问题,结合群智能算法的基本原理,提出几种改进方案,在基本测试函数上对其性能进行测试,并将改进后的人工蜂群算法扩展至多目标领域,探索其在特征选择问题领域的应用。本文主要分为两个部分:1.针对原始多目标人工蜂群算法中由于采用pareto支配的选择机制进行引领蜂搜索导致的后期种群收敛压力不足的问题,提出了利用Knee Points引导进化的思想,并将其加入到算法的引领蜂和跟随蜂过程中,加速算法收敛,而且在算法后期迭代过程中,该思想能够提供足够的收敛压力。基于以上想法,本文提出了 一种基于Knee Points的改进多目标人工蜂群算法KnMOABC(An improved multi-objective Artificial Bee Colony Algorithm based Knee Points)。在该算法中,首先设计了一种自适应识别Knee Points的算法,从种群中的每个前沿面中自适应地划分邻域并将该邻域中距离最远的点作为Knee Point,同时引入了一种自适应算法,根据算法执行的情况确定Knee Points的个数。在算法的前期,由于种群本身具有足够的进化压力,只需将Knee Points个数维持在一个比较低的水平,使其能够在引导种群进化方面起着协助进化的作用;在算法执行中后期,由于种群中的蜜源大多已经分布在第一前沿面上,相互之间处于一种非支配关系,此时单纯依靠Pareto支配和拥挤距离的选择标准已经无法为后期种群提供足够的收敛压力,通过增加Knee Point的数量,为引领蜂和跟随蜂阶段提供足够的选择压力,帮助种群进化到理想的Pareto前沿面。2.在经典的多目标蜂群算法中,采用的是基于邻域的引领蜂和跟随蜂以及完全随机的侦查蜂机制,该机制在算法进化前期容易出现变异步长过大,错过最优值点,而在算法进化后期出现步长过小,无法跳出局部最优的情况,为了解决这个问题,本文提出了一种应用自适应原理调整步长的方法,通过种群中每个蜜源的无效重复次数计算出该蜜源对应的变异步长,进而达到根据每个蜜源的质量自动调整搜索邻域的目的。基于完全随机的侦查蜂机制在算法后期极易导致重新生成的个体远离当前种群,严重拖累算法的收敛速度,针对此问题,本文提出了一种基于最优值点的高斯初始化方法,参考当前种群的平均位置来确定重新生成的蜜源。3.本文提出了一种将基于Knee Points的改进多目标人工蜂群算法应用于解决特征选择问题的方法,利用改进之后的算法收敛快、搜索能力强的特性来针对性地解决特征选择这一 NP-hard问题。使用matlab进行代码仿真,并与其他经典多目标进化算法在十一个UCI数据集上对特征选择方法的性能进行了测试,仿真结果证明本文提出的算法对解决特征选择问题具有较好的搜索效果,表现了较优的寻优性能。(本文来源于《安徽大学》期刊2018-02-01）
巢秀琴,李炜[8]（2019）在《人工蜂群算法优化的特征选择方法》一文中研究指出在分类问题中,数据之间存在的大量冗余、不相关的特征不仅不能增加分类准确率,反而会降低分类算法执行的速度。特征选择通过最大化分类正确率和最小化特征数来解决这个问题,由于这是两个相互矛盾的目标,因此可以将特征选择问题视为一种多目标优化问题。为了提升特征选择的效率,提出了一种基于Knee Points的改进多目标人工蜂群算法的特征选择方法(artificial bee colony algorithm based on Knee Points,KnABC),设计了一种快速识别Knee Points的方法,并改进了引领蜂和引领蜂算子。与其他经典多目标算法在11个UCI测试数据集上的特征选择实验结果表明,提出的算法在减小分类特征数、增大分类结果准确率方面具有显着效果。(本文来源于《计算机科学与探索》期刊2019年02期）
孔德鹏,常天庆,戴文君,王全东,孙皓泽[9]（2019）在《基于排序选择和精英引导的改进人工蜂群算法》一文中研究指出针对人工蜂群算法收敛速度较慢、收敛精度不高的问题,提出一种基于排序选择和精英引导的改进人工蜂群算法.分析观察蜂概率选择方法在适应值变化时对于精英个体优选的不足,提出一种排序选择方法,用以替代概率选择方法,从而提高算法的收敛速度.利用精英个体对搜索的引导作用,分别提出针对采蜜蜂和观察蜂的改进邻域搜索方程,从而提高算法的搜索效率.与其他人工蜂群算法的对比结果表明,所提出的改进方法能够有效提升算法的收敛速度和收敛精度.(本文来源于《控制与决策》期刊2019年04期）
武健,舒健生,李亚雄,苏国华,何艳萍[10]（2018）在《基于人工免疫克隆选择算法的无人机叁维航迹规划》一文中研究指出无人机航迹规划作为一个规模大、约束多、指标多的优化问题,其复杂性导致自动规划比较困难。构建了基于局部极坐标的水平航迹控制变量和基于特定平飞段飞行高度的纵向航迹控制变量,以水平航迹控制变量为优化变量,采用分步规划的策略,建立了基于人工免疫克隆选择算法的无人机航迹自动规划模型,该模型能够充分发挥计算机速度快、容量大的特点,能够对基于预处理结果的人工规划方法进行一定程度的改进。仿真结果验证了模型的可行性和有效性。(本文来源于《系统工程与电子技术》期刊2018年01期）
人工选择算法论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
为了提高高维数据特征选择的时间效率、降低特征选择的冗余度与不相关性,提出一种基于加权社区检测与增强人工蚁群算法的高维数据特征选择算法。设计加权的社区检测算法,将特征相似性作为社区划分的模块度,根据特征判别力为社区分配不同的权重;通过人工蚁群算法并行地处理每个特征分类,将每个特征分类按优劣程度组成队列;选出每个队列的top-k特征子集做全局比较,提取全局最优的特征子集。仿真实验结果表明,该算法对于高维数据集实现了较好的特征提取结果,并且实现了合理的时间成本。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
人工选择算法论文参考文献
[1].高薇,解辉.基于粗糙集与人工蜂群算法的动态特征选择[J].计算机工程与设计.2019
[2].巫红霞,谢强.基于加权社区检测与增强人工蚁群算法的高维数据特征选择[J].计算机应用与软件.2019
[3].孙辉,谢海华,赵嘉.正弦选择概率模型的全局最优引导人工蜂群算法[J].南昌工程学院学报.2018
[4].谢福鼎,雷存款,李芳菲,嵇敏.基于模糊c均值算法和人工蜂群算法的无监督波段选择[J].系统科学与数学.2018
[5].仇筠茜,陈昌凤.基于人工智能与算法新闻透明度的“黑箱”打开方式选择[J].郑州大学学报(哲学社会科学版).2018
[6].朱旭辉.基于二元人工鱼群算法的属性选择与集成剪枝及应用研究[D].合肥工业大学.2018
[7].刘明辉.改进的多目标人工蜂群算法及其在特征选择中的应用[D].安徽大学.2018
[8].巢秀琴,李炜.人工蜂群算法优化的特征选择方法[J].计算机科学与探索.2019
[9].孔德鹏,常天庆,戴文君,王全东,孙皓泽.基于排序选择和精英引导的改进人工蜂群算法[J].控制与决策.2019
[10].武健,舒健生,李亚雄,苏国华,何艳萍.基于人工免疫克隆选择算法的无人机叁维航迹规划[J].系统工程与电子技术.2018