群体智能优化算法
群體智能優(yōu)化算法
群體智能（SI）源于對以螞蟻、蜜蜂等為代表的社會性昆蟲的群體行為的研究，群居性生物通過協(xié)作表現(xiàn)出的宏觀智能行為特征。群體智能算法有粒子群優(yōu)化算法(PSO)、蟻群優(yōu)化算法(ACO)、人工蜂群優(yōu)化算法(ABC)、差分進(jìn)化算法(DE)、引力搜索算法(GSA)、螢火蟲算法(FA)、蝙蝠算法(BA)、布谷鳥優(yōu)化算法(COA)、灰狼優(yōu)化算法(GWO)、鯨魚優(yōu)化算法(WOA)和Salp群算法(SSA)等等
粒子群優(yōu)化算法(PSO)
粒子群優(yōu)化是一種強(qiáng)大的基于群體智能的優(yōu)化方法，這種優(yōu)化方法的靈感來自于鳥類和魚類的集體行為，最近已被大量研究用于優(yōu)化最終特征子集的選擇。
研究現(xiàn)狀
| 將wrapper PSO和粗糙集理論相結(jié)合 | 單目標(biāo) | 提高疾病診斷的分類精度 | 醫(yī)學(xué)應(yīng)用 |
| 粒子群優(yōu)化方法與支持向量機(jī)相結(jié)合 | 單目標(biāo) | 提高了特征選擇的性能 | 數(shù)值型 |
| 將PSO-SVM與分布式并行架構(gòu)相結(jié)合 | 單目標(biāo) | 克服高維數(shù)據(jù)集的高計算復(fù)雜度 | 數(shù)值型 |
| 開發(fā)新的初始化方法和最佳粒子更新策略 | 單目標(biāo) | 選擇相關(guān)和非冗余特征的子集來降低計算復(fù)雜度 | 數(shù)值型 |
| 提出二值PSO (BPSO)算法與Hamming distance的集成模型 | 多目標(biāo) | 利用漢明距離來改進(jìn)BPSO算法的速度更新過程 | 醫(yī)學(xué)應(yīng)用 |
| 提出改進(jìn)的多目標(biāo)PSO算法用于不可靠數(shù)據(jù)分類 | 多目標(biāo) | 提高粒子群算法的搜索能力 | 數(shù)值型 |
| 將相關(guān)特征選擇與改進(jìn)的二進(jìn)制PSO算法相結(jié)合 | 單目標(biāo) | 去除不相關(guān)和冗余特征來選擇相關(guān)度高的特征子集 | 基因選擇和癌癥分類 |
| 提出一種基于pso的特征選擇方法 | 單目標(biāo) | 提高了疾病診斷的性能 | 醫(yī)學(xué)應(yīng)用 |
| 開發(fā)一種遞歸粒子群優(yōu)化策略 | 單目標(biāo) | 以選擇數(shù)據(jù)集中的相關(guān)和非冗余特征子集 | 基因選擇 |
| 使用二進(jìn)制黑洞算法和改進(jìn)的BPSO算法 | 單目標(biāo) | 提高性能 | 光譜學(xué) |
| 開發(fā)一種改進(jìn)的BPSO方法用于特征選擇 | 單目標(biāo) | 提高了肝病和腎臟疾病診斷中特征選擇的準(zhǔn)確性 | 醫(yī)學(xué)應(yīng)用 |
| 提出一種基于pso的多分類器特征選擇 | 單目標(biāo) | 提高分類精度，降低計算復(fù)雜度 | 數(shù)值型 |
| 提出一種新的自適應(yīng)參數(shù)和策略來處理高維數(shù)據(jù)集的特征選擇 | 多目標(biāo) | 提高了粒子優(yōu)化算法對高維數(shù)據(jù)集的搜索能力 | 醫(yī)學(xué)應(yīng)用 |
蟻群優(yōu)化算法(ACO)
蟻群優(yōu)化(ACO)是群體智能的一部分，它模仿螞蟻的合作行為來解決復(fù)雜的組合優(yōu)化問題。
研究現(xiàn)狀
| 將神經(jīng)網(wǎng)絡(luò)和IG方法相結(jié)合 | 單目標(biāo) | 去除冗余和不相關(guān)的特征 | 數(shù)值型 |
| 提出一種新的基于aco的基因選擇方法 | 單目標(biāo) | 基因選擇 | |
| 提出一種新的蟻群算法來去除不相關(guān)和冗余的特征 | 單目標(biāo) | 利用局部搜索策略來選擇最終的特征集，避免陷入局部最優(yōu) | 數(shù)值型 |
| 基于粗糙集理論的蟻群算法特征選擇方法 | 單目標(biāo) | 數(shù)值型 | |
| 提出一種無監(jiān)督的基于aco的特征選擇方法來去除冗余和不相關(guān)的特征 | 單目標(biāo) | 考慮特征之間的相似性，在分層過程中選擇最優(yōu)的特征子集 | 數(shù)值型/醫(yī)學(xué)應(yīng)用 |
| 提出特征選擇和蟻群優(yōu)化相結(jié)合的方法 | 多目標(biāo) | 提高不平衡數(shù)據(jù)的分類精度 | 數(shù)值型 |
人工蜂群優(yōu)化算法(ABC)
人工蜂群算法(ABC)是一種基于si的優(yōu)化方法，其靈感來自于蜜蜂群體的生活方式。這個算法試圖模仿蜜蜂群體的食物搜尋行為。該優(yōu)化技術(shù)集成了局部搜索策略和隨機(jī)搜索策略，可用于復(fù)雜優(yōu)化問題。這種基于群體智能的優(yōu)化技術(shù)在選擇最終特征集方面已經(jīng)被廣泛應(yīng)用。
研究現(xiàn)狀
| 提出一種新的基于人工蜂群的特征選擇方法 | 單目標(biāo) | 數(shù)值/醫(yī)用 | |
| 開發(fā)一種改進(jìn)的基于abc的特征選擇方法（與相似度搜索策略） | 單目標(biāo) | 提高了特征選擇的性能 | 數(shù)值/醫(yī)用 |
| 提出一種結(jié)合ABC算法和蟻群算法的特征選擇方法 | 單目標(biāo) | 同時利用了人工蜂群算法和蟻群算法的優(yōu)點 | 數(shù)值/醫(yī)用 |
| 將ABC算法和pareto最優(yōu)前表面相結(jié)合 | 單目標(biāo) | 提高特征選擇方法的精度和ABC算法的收斂性 | 數(shù)值型 |
| 開發(fā)一種多Hive ABC編程方法 | 單目標(biāo) | 消除不相關(guān)和冗余的特征 | 數(shù)值型 |
| 開發(fā)一種基于abc的多目標(biāo)特征選擇方法 | 多目標(biāo) | 提高ABC搜索策略的搜索能力和收斂性 | 數(shù)值型 |
| 將多目標(biāo)優(yōu)化算法與樣本約簡策略相結(jié)合 | 多目標(biāo) | 提高分類精度，降低計算復(fù)雜度。 | 數(shù)值型 |
差分進(jìn)化算法(DE)
差分進(jìn)化(DE)算法是一種基于si的搜索策略技術(shù)，已被開發(fā)用于解決復(fù)雜的優(yōu)化問題。該優(yōu)化方法克服了遺傳算法缺乏局部搜索的主要缺點。DE算法與遺傳算法的主要區(qū)別在于遺傳選擇算子。DE算法被用于機(jī)器學(xué)習(xí)任務(wù)和特征選擇的不同應(yīng)用中。
研究現(xiàn)狀
| DE算法和基于輪子的搜索機(jī)制開發(fā)一種基于包裝器的特征子集選擇 | 單目標(biāo) | 數(shù)值/醫(yī)用 | |
| 提出一種基于多目標(biāo)de的方法 | 多目標(biāo) | 去除不相關(guān)和冗余，提高分類精度 | 數(shù)值/醫(yī)用 |
| 提出一種基于多目標(biāo)de的特征選擇方法 | 多目標(biāo) | 定義一種新的變異算子來逃避局部最優(yōu)解 | 數(shù)值/醫(yī)用 |
| 新的基于多目標(biāo)de的特征選擇方法 | 多目標(biāo) | 在進(jìn)行特征選擇的同時提高聚類算法的性能 | 數(shù)值/醫(yī)用 |
引力搜索算法(GSA)
一些基于si的優(yōu)化方法也受到了物理定律的啟發(fā)。引力搜索算法(GSA)是(Rashedi et al.，2009)一種受牛頓萬有引力定律啟發(fā)的基于物理的優(yōu)化技術(shù)。GSA是一種流行的基于si的算法，在機(jī)器學(xué)習(xí)中得到了廣泛的應(yīng)用，近年來，許多特征選擇方法都采用了這種優(yōu)化算法。
研究現(xiàn)狀
| 提出一種基于gsa的特征選擇方法 | 單目標(biāo) | 使用線性混沌映射來提高分類精度 | 數(shù)值/醫(yī)用 |
| 開發(fā)一種基于增強(qiáng)GSA和k -最近鄰分類器的特征選擇混合系統(tǒng) | 單目標(biāo) | 采用分段線性混沌映射和序列二次規(guī)劃進(jìn)行勘探 | 數(shù)值/醫(yī)用 |
| 提出一種高效的混合特征選擇方法 | 單目標(biāo) | 利用SI和遺傳算法的優(yōu)點來提高GSA算法的性能 | 數(shù)值/醫(yī)用 |
螢火蟲算法(FA)
螢火蟲算法(FA)是由yang在2010a提出的，其主要思想是受到螢火蟲之間光學(xué)連接的啟發(fā)。螢火蟲算法是群體智能的一個明智的例子，在該算法中，低性能的代理可以一起工作，以實現(xiàn)高性能的偉大結(jié)果。
研究現(xiàn)狀
| 開發(fā)一種新的基于FAS的特征選擇方法 | 多目標(biāo) | 防止FA算法的過早收斂，從而提高特征選擇的準(zhǔn)確性 | 數(shù)值型 |
| 在標(biāo)準(zhǔn)FA中添加了一些變體 | 單目標(biāo) | 提高了最終特征選擇的準(zhǔn)確性 | 面部表情 |
| 基于FA的特征選擇方法 | 單目標(biāo) | 用于使用SVM分類器對阿拉伯文本進(jìn)行分類 | 文本 |
| 基于FA的特征選擇方法用于網(wǎng)絡(luò)入侵檢測 | 單目標(biāo) | 互信息和c4.5和貝葉斯網(wǎng)絡(luò)的組合來選擇特征 | 網(wǎng)絡(luò)入侵 |
蝙蝠算法(BA)
蝙蝠算法（BA）（Yang，2010b）是一種受蝙蝠在自然環(huán)境中集體行為啟發(fā)的算法，由Yang于2010年引入。bat算法是一種基于群體智能的算法，其靈感來源于蝙蝠的回聲定位行為。蝙蝠通過發(fā)送聲波和接收反射來找到獵物的確切路徑和位置。當(dāng)聲波返回蝙蝠波的發(fā)射器時，鳥兒可以在其周圍環(huán)境前面畫出障礙物的音頻圖像，并能很好地看到周圍環(huán)境。
研究現(xiàn)狀
| bat算法和改進(jìn)的PSO算法的混合變體 | 單目標(biāo) | 提高特征選擇性能 | 數(shù)值/醫(yī)用 |
| 提出一種基于二進(jìn)制BA的圖像隱寫分析特征選擇方法 | 單目標(biāo) | 提高最終的檢測精度 | 圖像隱析 |
| 使用bat算法搜索最佳特征子集（mRMR和BA相結(jié)合） | 單目標(biāo) | 提高癌癥分類的準(zhǔn)確性 | 醫(yī)學(xué)應(yīng)用 |
布谷鳥優(yōu)化算法(COA)
布谷鳥優(yōu)化算法 (COA) 是另一種基于群體智能的算法，靈感來自一種叫做布谷鳥 (Rajabioun，2011) 的鳥類的特殊生活方式。產(chǎn)卵的特定習(xí)慣和這種鳥的繁殖是形成這種優(yōu)化算法的基礎(chǔ)。與其他進(jìn)化算法一樣，布谷鳥優(yōu)化算法始于杜鵑的初始種群。這種杜鵑的早期種群有許多卵被放置在寄主鳥的巢中。有些與寄主鳥蛋較為相似的蛋，長成成鳥的機(jī)會較大。其他卵被宿主蝴蝶識別并破壞。生長的雞蛋表明，巢穴在搜索空間中是一個更好的地方，并且該區(qū)域的實用性更高。布谷鳥優(yōu)化算法，也就是優(yōu)化函數(shù)，目標(biāo)是找到大多數(shù)雞蛋有更多生存機(jī)會的地方。
研究現(xiàn)狀
| 先用過濾式去無關(guān)，再用包裹法和COA選出最終特征 | 單目標(biāo) | 提高癌癥分類的準(zhǔn)確性 | 數(shù)值/醫(yī)用 |
| 提出一種布谷鳥搜索算法和神經(jīng)網(wǎng)絡(luò)相結(jié)合的特征選擇方法 | 單目標(biāo) | 在選擇非冗余和相關(guān)特征的特征子集之后，將最終選擇的特征發(fā)送到分類器，并對心臟病進(jìn)行分類 | 醫(yī)學(xué)應(yīng)用 |
| 使用布谷鳥搜索優(yōu)化來優(yōu)化特征子集選擇的過程，然后將這些選擇的特征發(fā)送到SVM分類器 | 單目標(biāo) | 提高疾病診斷準(zhǔn)確性 | 基因表達(dá) |
灰狼優(yōu)化算法(GWO)
灰狼優(yōu)化（GWO）是一種新的基于進(jìn)化算法的優(yōu)化技術(shù)，靈感來自灰狼（Mirjalili et al.，2014）。這種優(yōu)化方法是最新的生物啟發(fā)技術(shù)之一，它模仿了自然界中一群灰狼的狩獵過程。
研究現(xiàn)狀
| 多目標(biāo)GWO被用于搜索最相關(guān)和非冗余的特征 | 多目標(biāo) | 提高了包裝器模型的精度 | 數(shù)值/醫(yī)用 |
| 開發(fā)GWO的二進(jìn)制版本 | 單目標(biāo) | 以選擇用于分類任務(wù)的最佳特征子集 | 數(shù)值/醫(yī)用 |
| 開發(fā)一種用于特征選擇的多策略集成GWO | 單目標(biāo) | 增強(qiáng)以前基于GWO的特征選擇方法 | 數(shù)值/醫(yī)用 |
| 開發(fā)一種基于GWO的包裝器特征選擇方法 | 單目標(biāo) | 集成了用于數(shù)據(jù)分類的突變算子 | 數(shù)值/醫(yī)用 |
鯨魚優(yōu)化算法(WOA）
鯨魚優(yōu)化算法 (WOA) 是另一種基于SI的優(yōu)化方法，其靈感來自座頭鯨的狩獵行為，這種優(yōu)化方法由三個操作員組成，以模仿座頭鯨的尋找獵物，包圍獵物和氣泡網(wǎng)覓食行為。最近，WOA算法已成功應(yīng)用于許多不同的優(yōu)化問題和特征選擇。
研究現(xiàn)狀
| 開發(fā)了具有模擬退火算法的混合WOA用于特征選擇 | 單目標(biāo) | 搜索WOA算法定位的最有前途的區(qū)域來改善開發(fā) | 數(shù)值/醫(yī)用 |
| 開發(fā)了一種基于WOA的包裝器特征選擇算法 | 單目標(biāo) | 錦標(biāo)賽和輪盤選擇機(jī)制以及交叉和變異算子被用來改進(jìn)WOA算法搜索過程的探索和開發(fā) | 數(shù)值/醫(yī)用 |
| 在高維醫(yī)學(xué)數(shù)據(jù)集上使用鯨魚算法的基于頻率的濾波器特征選擇方法 | 單目標(biāo) | 使用WOA利用過濾準(zhǔn)則丟棄不相關(guān)的特征 | 醫(yī)學(xué)應(yīng)用 |
Salp群算法(SSA)
移動和覓食時的群集行為。
研究現(xiàn)狀
| 提出一種具有交叉方案的高效二進(jìn)制Salp群算法 | 單目標(biāo) | 提高特征選擇的準(zhǔn)確性 | 數(shù)值/醫(yī)用 |
| 通過將SSA算法與粒子群優(yōu)化相結(jié)合 | 單目標(biāo) | 提高了探索和開發(fā)步驟的效率 | 數(shù)值型 |
| 改進(jìn)的SSA和新的局部搜索算法的集成 | 單目標(biāo) | 初始解決方案的多樣性 | 數(shù)值/醫(yī)用 |
| 開發(fā)基于Salp群算法的特征加權(quán)方法 | 單目標(biāo) | 預(yù)測肝臟疾病、心臟和帕金森氏病的存在 | 醫(yī)學(xué)應(yīng)用 |
| 通過添加新的控制參數(shù)和慣性權(quán)重 | 多目標(biāo) | 提高基本SSA的求解精度、可靠性和收斂速度 | 數(shù)值/醫(yī)用 |
| 提出一種新的SSA優(yōu)化算法用于特征選擇 | 單目標(biāo) | 通過鼓勵搜索的探索，利用了一個附加階段來克服陷入局部最優(yōu)的問題 | 數(shù)值/醫(yī)用 |
總結(jié)
- 上一篇： IMSettings 1.5.1 发布，
- 下一篇： 单元测试过程常见测试用例错误