編碼先驗約束的粒子群優(yōu)化算法研究及其應(yīng)用.pdf

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