版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進行舉報或認領(lǐng)
文檔簡介
1、傳統(tǒng)的粒子群算法(PSO)具有很強的全局搜索能力,但易于失去多樣性,因而導致早熟收斂。本文通過將問題中蘊含的先驗約束編碼進PSO中來控制粒子的飛行從而提高PSO的搜索性能。將問題中所蘊涵的先驗約束編碼進學習算法不但能夠提高算法的搜索性能,還能夠增加機器學習的可解釋性,因此本文的研究具有重要的理論意義。本文的主要工作包括以下幾個方面:
(1)提出了一類改進的吸引排斥粒子群優(yōu)化算法(ARPSO)(IARPSO-Ⅰ和IARPSO
2、-Ⅱ)。該類算法以種群多樣性信息為指導,在粒子的“吸引”和“排斥”狀態(tài)之間引入混合狀態(tài),有效地緩解了由“吸引”直接過渡到“排斥”狀態(tài)時所引起的強烈波動,使得粒子群在較長時問迭代之后仍然能保持一定的多樣性,從而有效克服了粒子群早熟收斂的缺點。此外,當種群陷入了局部極小點時,引入一種改進的變異操作增大其跳出局部極值點的可能性。在改進的ARPSO基礎(chǔ)上,將它們與誤差反向傳播(BP)算法相結(jié)合,提出IARPSO-Ⅰ-BP和IARPSO-Ⅱ-BP
3、算法。在函數(shù)逼近和Benchmark數(shù)據(jù)集分類上的實驗表明,IARPSO-Ⅰ和IARPSO-Ⅱ算法(IARPSO-Ⅰ-BP和IARPSO-Ⅱ-BP算法)比標準PSO及其經(jīng)典的改進(傳統(tǒng)的PSO-BP算法和單步算法)具有更好的泛化性能和更快的收斂速度。
(2)運用單隱層前饋神經(jīng)網(wǎng)絡(luò)提取出基因表達譜數(shù)據(jù)中基因-類別靈敏度(GCS)信息,并將該類信息編碼進離散粒子群算法(BPSO)中以獲得有利于分類的基因,從而提高癌癥的識別和正
溫馨提示
- 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負責。
- 6. 下載文件中如有侵權(quán)或不適當內(nèi)容,請與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。
最新文檔
- 粒子群優(yōu)化算法的研究及其應(yīng)用.pdf
- 基于整數(shù)編碼的混沌粒子群優(yōu)化算法及其應(yīng)用研究.pdf
- 粒子群優(yōu)化算法研究及其應(yīng)用.pdf
- 動態(tài)粒子群優(yōu)化算法及其應(yīng)用.pdf
- 粒子群優(yōu)化算法的性能研究及其應(yīng)用.pdf
- 粒子群優(yōu)化算法的改進及其應(yīng)用
- 粒子群優(yōu)化算法的改進研究及其應(yīng)用.pdf
- 粒子群優(yōu)化算法的改進及其應(yīng)用.pdf
- 基于約束優(yōu)化和動態(tài)優(yōu)化的粒子群算法研究.pdf
- 混合粒子群優(yōu)化算法及其應(yīng)用.pdf
- 約束多目標改進粒子群優(yōu)化算法研究及應(yīng)用.pdf
- 粒子群優(yōu)化算法及其工程應(yīng)用研究.pdf
- 粒子群優(yōu)化算法粒子群優(yōu)化算法簡介
- 求解約束優(yōu)化問題的粒子群算法研究.pdf
- 改進粒子群優(yōu)化算法及其應(yīng)用研究.pdf
- 粒子群優(yōu)化算法粒子群優(yōu)化算法簡介
- 多目標粒子群優(yōu)化算法及其應(yīng)用.pdf
- 改進的粒子群優(yōu)化算法及其應(yīng)用研究.pdf
- 粒子群算法及其應(yīng)用.pdf
- 粒子群優(yōu)化算法及其若干工程應(yīng)用研究.pdf
評論
0/150
提交評論