CN113128655B - 基于多种群遗传算法工控入侵检测分类器参数选择方法 - Google Patents
基于多种群遗传算法工控入侵检测分类器参数选择方法 Download PDFInfo
- Publication number
- CN113128655B CN113128655B CN202110494541.4A CN202110494541A CN113128655B CN 113128655 B CN113128655 B CN 113128655B CN 202110494541 A CN202110494541 A CN 202110494541A CN 113128655 B CN113128655 B CN 113128655B
- Authority
- CN
- China
- Prior art keywords
- population
- individuals
- classifier
- evolution
- reserved
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000002068 genetic effect Effects 0.000 title claims abstract description 30
- 238000001514 detection method Methods 0.000 title claims abstract description 16
- 238000010187 selection method Methods 0.000 title claims description 5
- 238000000034 method Methods 0.000 claims abstract description 31
- 230000035772 mutation Effects 0.000 claims description 20
- 238000002922 simulated annealing Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 14
- 238000001816 cooling Methods 0.000 claims description 7
- 210000000349 chromosome Anatomy 0.000 claims description 5
- 210000002569 neuron Anatomy 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 230000002028 premature Effects 0.000 description 2
- 230000002441 reversible effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000006854 communication Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供一种基于多种群遗传算法工控入侵检测分类器参数选择方法,包括:获取数据,设定不同的遗传算法参数;根据设定初始种群的规模随机生成指定数量的个体,将初始种群的每个个体放入分类器得到对应的适应度值,按照适应度值进行排序,从高到低划分为种群一、种群二和保留种群;循环控制三个种群进行进化,不同种群采取不同的进化方式;每一次进化结束后分别将种群一和种群二的最优个体放入优质种群中;在确定循环进行时,每代循环开始前,按照预设规则令保留种群向种群一和种群二提供新的基因型;直至执行达到指定代数停止循环;使用定向进化算子令优质群体再次进化,得到最优个体;基于所述最优个体进行解码得到最优参数。
Description
技术领域
本发明涉及工业控制网络安全问题相关技术领域,具体涉及一种基于多种群遗传算法工控入侵检测分类器参数选择方法。
背景技术
工业控制网络中的任何异常入侵行为都会造成严重的损失,因此需要一个高准确率、高鲁棒性的入侵检测模型,而基于规则的入侵检测方法具有较差的移植性,并且模型的构建需要对应用场景的实现有深入的理解。
进一步地,各入侵检测模型的分类器模型的参数选择直接影响到最终的分类结果,现有技术中,通过传统的遗传算法找到的最优解所构建的分类器模型准确率不高。
发明内容
有鉴于此,提供一种基于多种群遗传算法工控入侵检测分类器参数选择方法,以解决相关技术中现有技术中,通过传统的遗传算法找到的最优解所构建的分类器模型准确率不高的问题。
本发明采用如下技术方案:
本发明实施例提供了一种基于多种群遗传算法工控入侵检测分类器参数选择方法,包括:
获取数据,并根据分类器特性及问题规模,设定不同的遗传算法参数;根据设定初始种群的规模随机生成指定数量的个体,将初始种群的每个个体放入分类器得到对应的适应度值,按照适应度值进行排序,从高到低按照设定比例划分为三个种群,分别为种群一、种群二和保留种群;
循环控制三个种群通过类似于自然进化过程的算法组合进行进化,不同种群采取不同的进化策略;种群一通过模拟退火算法控制种群进行高速交叉和变异操作,种群二通过模拟退火算法控制慢于种群一的速率交叉变异,保留种群通过模拟退火算法控制慢于种群二的速率交叉变异;每一次进化结束后分别将种群一和种群二的最优个体放入优质种群中;
在确定循环进行时,每代循环开始前,按照预设规则令保留种群向种群一和种群二提供新的基因型,直至执行达到指定代数,停止循环。
最后,使用定向进化算子令优质群体再次进化,其中通过模拟退火算法控制其低速进化,得到最优个体;
基于所述最优个体进行解码得到最优参数。
可选的所述类似于自然进化过程的算法包括:通过不同的选择算子、交叉算子和变异算子进行迭代,逐渐朝着最优解的方向演变。
可选的所述进行初始化包括:
根据预设编码方式生成初代种群;
确定分类器参数;
构建分类器;
得到初代个体对应的适应度值;
将初代个体及其适应度值存入预设的哈希表中。
可选的还包括:根据实验规模和分类器特性决定遗传算法参数;其中所述遗传算法参数包含最大进化代数、初始种群个体数、染色体长度、各种群个体比例、保留种群提供个体数量、初始交叉率、初始变异率、初始温度及冷却速率。
可选的种群一采用锦标赛选择策略,种群二和保留种群采用轮盘赌选择策略。
本发明采用以上技术方案,在种群一和种群二在不同进化算子影响下朝着不同的方向进化,能够有效避免遗传算法易陷入局部最优、发生早熟情况。在种群进化过程中没有将淘汰个体全部舍弃,而是将其作为保留种群,目的是保留潜在较高适应度个体,并且通过保留种群将新个体输送到种群一和种群二中,为正在进化的种群提供新的基因型,新的基因型有效增加种群一二的物种多样性,有概率致使交叉变异过程中的个体出现高适应度个体,降低种群陷入局部最优的概率。最后优质种群通过定精英策略进化,即保留每一代种群中适应度最高的前N个个体直接进入到下一代,避免进化带来的负面影响。如此可以圈定更加合适的分类器参数,进而提供分类器模型的准确率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种基于多种群遗传算法工控入侵检测分类器参数选择方法的流程图;
图2是本发明实施例提供的一种基于多种群遗传算法工控入侵检测分类器参数选择方法的具体流程图;
图3是本发明实施例提供的方案中种群划分及进化示意图;
图4是本发明实施例提供的方案中种群合并示意图;
图5是本发明实施例提供的方案中定向进化算子示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将对本发明的技术方案进行详细的描述。显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施方式,都属于本发明所保护的范围。
实施例
参照图1~3,本申请提供的基于多种群遗传算法工控入侵检测分类器参数选择方法包括:
S101,获取数据,并根据分类器特性及问题规模,设定不同的遗传算法参数;
具体的,进行初始化包括:根据预设编码方式生成初代种群;确定分类器参数;构建分类器;得到初代个体对应的适应度值;将初代个体及其适应度值存入预设的哈希表中。
进一步的,本申请提供的方案中分类器可以但不限于为BPNN、XGBoost和SVM等分类器中的任意一种。
BPNN为前馈神经网络的一种,其输出结果采用前向传播,误差采用反向(BackPropagation)传播方式进行,BP神经网络含输入层、隐含层、输出层三层结构。输入层接收数据,输出层输出数据,前一层神经元连接到下一层神经元,收集上一层神经元传递来的信息,经过“激活”把值传递给下一层。神经网络基于大量神经元广泛互联的数学模型,具有自学习、自组织、自适应的特点及优势。XGBoost全名叫(eXtreme Gradient Boosting)极端梯度提升。Gradient boosting由Friedman J H.等人提出,XGBoost最初由陈天奇开发,高效地实现了GBDT算法并进行了算法和工程上的许多改进。SVM是由V.N.Vapnik等人提出,SVM是由模式识别中广义肖像算法(generalized portrait algorithm)发展而来的分类器。它是一种依赖于统计学习理论发展而来的机器学习算法,它不仅能够有效的解决小样本、高维数的问题,特别是针对一些非线性问题的求解也有了惊人的效果。
S102,根据设定初始种群的规模随机生成指定数量的个体,将初始种群的每个个体放入分类器得到对应的适应度值,按照适应度值进行排序,从高到低按照设定比例划分为三个种群,分别为种群一、种群二和保留种群;进一步的,根据实验规模和分类器特性决定遗传算法参数;其中所述遗传算法参数包含最大进化代数、初始种群个体数、染色体长度、各种群个体比例、保留种群提供个体数量、初始交叉率、初始变异率、初始温度及冷却速率。
进一步的,获取的数据为现有的工业控制网络中的数据即相关数据。
S103,循环控制三个种群通过类似于自然进化过程的算法组合进行进化,不同种群采取不同的进化策略;种群一通过模拟退火算法控制种群进行高速交叉和变异操作,种群二通过模拟退火算法控制慢于种群一的速率交叉变异,保留种群通过模拟退火算法控制慢于种群二的速率交叉变异;每一次进化结束后分别将种群一和种群二的最优个体放入优质种群中;
其中,所述类似于自然进化过程的算法包括:通过不同的选择算子、交叉算子和变异算子进行迭代,逐渐朝着最优解的方向演变。具体的,种群一采用锦标赛选择策略,种群二和保留种群采用轮盘赌选择策略。
S104,在确定循环进行时,每代循环开始前,按照预设规则令保留种群向种群一和种群二提供新的基因型,直至执行达到指定代数,停止循环;
S105,使用定向进化算子令优质种群再次进化,并通过模拟退火算法控制其低速进化,得到最优个体;
S106,基于所述最优个体进行解码得到最优参数。
本发明采用以上技术方案,在种群一和种群二在不同进化算子影响下朝着不同的方向进化,能够有效避免遗传算法易陷入局部最优、发生早熟情况。在种群进化过程中没有将淘汰个体全部舍弃,而是将其作为保留种群,目的是保留潜在较高适应度个体,并且通过保留种群将新个体输送到种群一和种群二中,为正在进化的种群提供新的基因型,新的基因型有效增加种群一二的物种多样性,有概率致使交叉变异过程中的个体出现高适应度个体,降低种群陷入局部最优的概率。最后优质种群通过定精英策略进化,即保留每一代种群中适应度最高的前N个个体直接进入到下一代,避免进化带来的负面影响。如此可以圈定更加合适的分类器参数,进而提供分类器模型的准确率。
具体的,本提供的方案中采用改进的多种群遗传算法替代传统的遗传算法,并结合模拟退火算法、哈希适应度存储策略,以构建出高效且精准的入侵检测模型。下面为实现本方法的详细步骤。
(1)生成初始种群。开始时将随机产生指定数量的染色体,染色体是由“0”和“1”组成的二进制字符串。每个染色体表示某分类器的一组参数,不同分类器的编码方式各不相同,其中,BPNN分类器有六个参数,共58位;XGBoost分类器有三个参数,共20位;SVM分类器有三个参数,共22位。本文所用具体编码方式及含义如下表所示:
(2)得到初始种群中个体的适应度值。将初始种群的个体解码并构建分类器,得到初始种群中每个个体的适应度值,并将个体和对应的适应度存入哈希适应度字典。
(3)划分初始种群。首先根据适应度值对初始种群进行降序排序,按照指定的比例划分成种群一、种群二和保留种群;其次各个子种群分别按照不同的进化策略进化,即种群一采用锦标赛选择策略,种群二采用轮盘赌选择策略,同时保留种群也采用轮盘赌选择策略。
(4)通过模拟退火算法来控制各个种群的进化速率。模拟退火算法促使遗传算法在更大的搜索空间中寻找最优解,以避免陷入局部最优解。本文引入一个温度变量temp以及冷却系数coolingrate来控制种群的交叉率和变异率,即在算法的开始阶段,以较高的交叉变异率启动,随着算法的迭代通过冷却系数逐渐降低交叉率和变异率。在本方法中,为实现种群一的高速搜索,给定较高的初始温度以及较低的冷却速率,同理种群二采取适中的进化速率。而保留种群只用于提供新的基因型,只需进行慢速进化,一方面能够提升保留种群中个体的适应度值,另一方面也能够节省内存资源。在此步骤结束后,分别将种群一和种群二适应度最高的个体保存至新的字典中,用于后续进化。步骤(3)和步骤(4)的过程如图3所示。
(5)分别合并各类种群作为下一代种群。在三个子种群均进化结束之后,需要将保留种群的部分个体分别置入至种群一、种群二中。具体地,在保留种群中选择适应度降序的前X个个体,替换种群一适应度后X个个体;同理在保留种群中选择降序排序的第X+1至2X个个体,替换种群二适应度后X个个体。通过上述步骤来实现保留种群为种群一和种群二提供新基因型的思路。在结束此步骤后,将遍历所有个体查看是否存在与哈希适应度表中,若不存在则记录至表中。种群个体的交流过程如图4所示。
(6)重复步骤(4)~(5),直到达到设定最大代数。
(7)在优质种群中通过定向进化算子进化。在达到指定代数后产生含有2N个个体的优质种群,此种群通过精英主义策略进行进化,旨在减少高精度群体中高突变基因出现的可能,过程如图5所示。此外通过精英主义可以令数个最优解不参与进化直接进入下一代,避免基因型被破坏。在达到设定的进化代数后,选出种群中的最优个体,此个体即为改进的多种群遗传算法寻找到的是最优参数序列,经过解码后用于构建分类器。
可以理解的是,上述各实施例中相同或相似部分可以相互参考,在一些实施例中未详细说明的内容可以参见其他实施例中相同或相似的内容。
需要说明的是,在本发明的描述中,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性。此外,在本发明的描述中,除非另有说明,“多个”的含义是指至少两个。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本发明的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本发明的实施例所属技术领域的技术人员所理解。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本发明各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (1)
1.一种基于多种群遗传算法工控入侵检测分类器参数选择方法,其特征在于,包括:
获取数据,并根据分类器特性及问题规模,设定不同的遗传算法参数;其中,所述数据为工业控制网络中的数据;
根据设定初始种群的规模随机生成指定数量的个体,将初始种群的每个个体放入分类器得到对应的适应度值,按照适应度值进行排序,从高到低按照设定比例划分为三个种群,分别为种群一、种群二和保留种群;
循环控制三个种群通过类似于自然进化过程的算法组合进行进化,不同种群采取不同的进化策略;种群一通过模拟退火算法控制种群进行高速交叉和变异操作,种群二通过模拟退火算法控制慢于种群一的速率交叉变异,保留种群通过模拟退火算法控制慢于种群二的速率交叉变异;每一次进化结束后分别将种群一和种群二的最优个体放入优质种群中;
在确定循环进行时,每代循环开始前,按照预设规则令保留种群向种群一和种群二提供新的基因型;直至执行达到指定代数,停止循环;具体的,在保留种群中选择适应度降序的前X个个体,替换种群一适应度后X个个体;在保留种群中选择降序排序的第X+1至2X个个体,替换种群二适应度后X个个体;
使用定向进化算子令优质种群再次进化,并通过模拟退火算法控制其低速进化,得到最优个体;
基于所述最优个体进行解码得到最优参数;
其中,所述类似于自然进化过程的算法包括:通过不同的选择算子、交叉算子和变异算子进行迭代,逐渐朝着最优解的方向演变;
其中,所述基于多种群遗传算法工控入侵检测分类器参数选择方法,还包括:
根据预设编码方式生成初代种群;
确定分类器参数;
构建分类器;
得到初代个体对应的适应度值;
将初代个体及其适应度值存入预设的哈希表中;
其中,基于多种群遗传算法工控入侵检测分类器参数选择方法,其特征在于,还包括:根据实验规模和分类器特性设定遗传算法参数;其中所述遗传算法参数包含最大进化代数、初始种群个体数、染色体长度、各种群个体比例、保留种群提供个体数量、初始交叉率、初始变异率、初始温度及冷却速率;
其中,种群一采用锦标赛选择策略,种群二采用轮盘赌选择策略,保留种群采用轮盘赌选择策略。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110494541.4A CN113128655B (zh) | 2021-05-07 | 2021-05-07 | 基于多种群遗传算法工控入侵检测分类器参数选择方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110494541.4A CN113128655B (zh) | 2021-05-07 | 2021-05-07 | 基于多种群遗传算法工控入侵检测分类器参数选择方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113128655A CN113128655A (zh) | 2021-07-16 |
CN113128655B true CN113128655B (zh) | 2024-02-02 |
Family
ID=76781327
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110494541.4A Active CN113128655B (zh) | 2021-05-07 | 2021-05-07 | 基于多种群遗传算法工控入侵检测分类器参数选择方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113128655B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114510896A (zh) * | 2022-02-15 | 2022-05-17 | 长鑫存储技术有限公司 | 一种缓冲器插入方法、装置、存储介质及电子设备 |
CN114665979B (zh) * | 2022-02-23 | 2024-04-19 | 国网浙江省电力有限公司信息通信分公司 | 基于种群演变迭代的超长距光传输方法及系统 |
CN114547983A (zh) * | 2022-02-28 | 2022-05-27 | 哈尔滨工程大学 | 一种基于改进的多种群遗传算法的反应堆运行优化方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102708407A (zh) * | 2012-05-15 | 2012-10-03 | 广东工业大学 | 一种基于种群分解的自适应混合多目标进化方法 |
CN102903007A (zh) * | 2012-09-20 | 2013-01-30 | 西安科技大学 | 一种采用遗传算法优化二分类模型参数的方法 |
CN103944672A (zh) * | 2014-04-04 | 2014-07-23 | 南京邮电大学 | 基于自适应交叉变异算子的量子免疫信号盲检测方法 |
CN104615869A (zh) * | 2015-01-22 | 2015-05-13 | 广西大学 | 一种基于相似度排挤的多种群模拟退火混合遗传算法 |
CN108573114A (zh) * | 2018-05-09 | 2018-09-25 | 西南交通大学 | 一种基于多种群遗传算法的车间多目标优化总体布局方法 |
CN110490326A (zh) * | 2019-07-17 | 2019-11-22 | 长沙学院 | 一种自适应多变异策略的差分进化方法及系统 |
CN111614609A (zh) * | 2020-03-26 | 2020-09-01 | 诺得物流股份有限公司 | 一种基于ga-pso-dbn的入侵检测方法 |
CN112351033A (zh) * | 2020-11-06 | 2021-02-09 | 北京石油化工学院 | 工控网络中基于双种群遗传算法的深度学习入侵检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101617328A (zh) * | 2006-12-22 | 2009-12-30 | 新加坡技术动态私人有限公司 | 在问题解决环境中用于超启发式算法的自动配置的方法和装置 |
-
2021
- 2021-05-07 CN CN202110494541.4A patent/CN113128655B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102708407A (zh) * | 2012-05-15 | 2012-10-03 | 广东工业大学 | 一种基于种群分解的自适应混合多目标进化方法 |
CN102903007A (zh) * | 2012-09-20 | 2013-01-30 | 西安科技大学 | 一种采用遗传算法优化二分类模型参数的方法 |
CN103944672A (zh) * | 2014-04-04 | 2014-07-23 | 南京邮电大学 | 基于自适应交叉变异算子的量子免疫信号盲检测方法 |
CN104615869A (zh) * | 2015-01-22 | 2015-05-13 | 广西大学 | 一种基于相似度排挤的多种群模拟退火混合遗传算法 |
CN108573114A (zh) * | 2018-05-09 | 2018-09-25 | 西南交通大学 | 一种基于多种群遗传算法的车间多目标优化总体布局方法 |
CN110490326A (zh) * | 2019-07-17 | 2019-11-22 | 长沙学院 | 一种自适应多变异策略的差分进化方法及系统 |
CN111614609A (zh) * | 2020-03-26 | 2020-09-01 | 诺得物流股份有限公司 | 一种基于ga-pso-dbn的入侵检测方法 |
CN112351033A (zh) * | 2020-11-06 | 2021-02-09 | 北京石油化工学院 | 工控网络中基于双种群遗传算法的深度学习入侵检测方法 |
Non-Patent Citations (4)
Title |
---|
A Method Based on Multiple Population Genetic Algorithm to Select Hyper-Parameters of Industrial Intrusion Detection Classifier;Xuejun Liu等;Studies in Informatics and Control;第30卷(第3期);第39-49页 * |
Multi-objective optimization using genetic algorithms: A tutorial;Abdullah Konak等;Relibaility Engineering & System Safety;第91卷(第9期);第992-1007页 * |
一种基于多种群的退火DNA遗传算法;周松儒等;计算机仿真;第30卷(第11期);第338-342页 * |
基于改进多种群遗传算法的柔性作业车间调度研究;王雷等;云南大学学报(自然科学版);第39卷(第2期);第192-199页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113128655A (zh) | 2021-07-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113128655B (zh) | 基于多种群遗传算法工控入侵检测分类器参数选择方法 | |
US11037061B2 (en) | Adaptive cataclysms in genetic algorithms | |
JP6646234B2 (ja) | プログラム生成装置、プログラム生成方法および生成プログラム | |
US20030055799A1 (en) | Self-organizing data driven learning hardware with local interconnections | |
Feng et al. | Variable coded hierarchical fuzzy classification model using DNA coding and evolutionary programming | |
Anand et al. | A novel and efficient selection method in genetic algorithm | |
Busetti | Genetic algorithms overview | |
CN114722482A (zh) | 高原隧道形变量的预测方法及高原隧道健康检测系统 | |
Andalon-Garcia et al. | Performance comparison of three topologies of the island model of a parallel genetic algorithm implementation on a cluster platform | |
Datta | Efficient genetic algorithm on linear programming problem for fittest chromosomes | |
CN112819161B (zh) | 变长基因遗传算法的神经网络构建系统、方法及存储介质 | |
CN106709572A (zh) | 一种数据处理方法及设备 | |
Pytel | The fuzzy genetic system for multiobjective optimization | |
Jullapak et al. | Adaptive Learning Rate For Neural Network Classification Model | |
EP1223547B1 (en) | Method and device for network inference | |
Sohn et al. | Ensemble of evolving neural networks in classification | |
Fukumi et al. | A new rule extraction method from neural networks | |
US20220343162A1 (en) | Method for structure learning and model compression for deep neural network | |
JP7450833B1 (ja) | パラメータ最適化装置およびパラメータ最適化方法 | |
Dias et al. | On optimizing deep convolutional neural networks by evolutionary computing | |
Londt et al. | A Two-Stage Hybrid GA-Cellular Encoding Approach to Neural Architecture Search | |
CN106951910A (zh) | 一种数据聚类的方法及装置 | |
Moberg | Childhood Habituation in Evolution of Augmenting Topologies (CHEAT) | |
Baioul et al. | New classification technique using neural networks and genetic algorithms | |
Ashfaq et al. | A Hybrid Evolutionary Algorithm, Utilizing Novelty Search and Local Optimization, Used to Design Convolutional Neural Networks for Handwritten Digit Recognition. |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |