CN113297532A - 一种基于tlssa算法的特征信息选择方法 - Google Patents
一种基于tlssa算法的特征信息选择方法 Download PDFInfo
- Publication number
- CN113297532A CN113297532A CN202110491799.9A CN202110491799A CN113297532A CN 113297532 A CN113297532 A CN 113297532A CN 202110491799 A CN202110491799 A CN 202110491799A CN 113297532 A CN113297532 A CN 113297532A
- Authority
- CN
- China
- Prior art keywords
- individual
- population
- algorithm
- new
- food
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- 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
- G06N3/12—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)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Pure & Applied Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Mathematical Optimization (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Mathematical Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Operations Research (AREA)
- Algebra (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于TLSSA算法的特征信息选择方法,包括获取待选的特征信息设为计算变量,并设置算法相关参数;随机生成个体位置,并计算初始适应度值的大小,以及确定种群中的领导者;按照适应度值排序,选首位适应度最小的为当前食物位置;选定食物位置后,将群体中剩余樽海鞘排序,并判断个体是否为领导者来相应更新个体位置;将更新后的适应度值进行比较,以确定适应度值最小的樽海鞘位置作为新食物的位置;引入教学阶段和学习者阶段更新种群的位置,直至迭代结束,输出最优解为所需特征信息。实施本发明,能很大的增强算法的收敛速度和局部最优避免能力。在解决真实世界中的实际案例上,我们提出的方法相较于传统的技术有明显的优势。
Description
技术领域
本发明涉及数学模型优化技术领域,尤其涉及一种基于TLSSA算法的特征信息选择方法。
背景技术
随着智能计算领域的发展,许多实际和复杂的工程应用可以转化为不同学科和工程领域的优化问题,通过数学建模进行求解。精确性算法作为一种解决优化问题的传统的技术,当问题的规模较小时能够求出问题的最优解。然而,它的计算规模可能呈指数级增长。当问题的规模较大时,这使得精确性算法寻找并获得最优解几乎变得不可能。元启发式算法是最近一些年提出的智能优化算法,它受到了国内外研究学者的广泛的关注。由于其灵活的配置、简单的结构和高的搜索效率。元启发式算法不依赖于具体的问题和利用问题的任何特殊性,因此可以作为一种黑盒测试。一般来说,它们他们并不贪婪。事实上,他们甚至可能接受某个具体问题中解的暂时恶化,这使它们能够更彻底地探索解的空间,从而得到一个有希望的更好的解(有时会与全局最优相吻合)。尽管元启发式算法是一种独立于问题的技术,但仍有必要对其内在参数进行一些微调,以便使该技术适应手头上的问题。
通常,元启发式算法可以被考虑划分为两类根据它们的启发原理:进化算法和基于群的算法。这前者(进化算法)的灵感来源于大自然的生物进化的演化过程,一些经典的进化算法有遗传算法、差分进化算法、遗传规划算法等。这后者(基于群的算法)主要模仿昆虫或者一些动物的觅食或者其它的行为,通过对它们行为的研究而抽象出来的一种算法。一些常见的群智能算法有人工蜂群算法、粒子群算法、鲸鱼优化算法等。
这樽海鞘群算法属于基于群的智能优化算法,由于它简单的结构,容易实施和高效的搜索能力这使得它已经被广泛的应用于不同领域的优化任务。这SSA算法的更新原理主要是受樽海鞘个体在深海中寻找食物的生物行为而得到启发。研究生人员根据种群中的领导者在移动的过程中不断的探索食物资源更丰富的区域去寻找质量更好的解,剩余的樽海鞘尾随并逐渐靠拢领导者去探索解空间。研究人员根据樽海鞘的这种独特的捕食行为而提出了这SSA算法。
有研究表明新型的算法的结构或杂交算法对算法的性能和效率有较大幅度的改善。它有助于分析算法的性能和适用域,且由比较可发现各算法独特的优点和不足,以便改善算法的结构、参数,发展各种可能的高效的混合算法。
然而,基础的SSA算法在迭代的过程中收敛速度慢和在一些高维函数上容易陷入局部最优等问题。
发明内容
本发明实施例所要解决的技术问题在于,提供一种基于TLSSA算法的特征信息选择方法,能很大的增强算法的收敛速度和局部最优避免能力。在解决真实世界中的实际案例上,我们提出的方法相较于传统的技术有明显的优势。
为了解决上述技术问题,本发明实施例提供了一种基于TLSSA算法的特征信息选择方法,所述方法包括以下步骤:
步骤S1、获取待选的特征信息;
步骤S2、将待选的特征信息设置为计算变量,并设置算法相关参数;其中,所述设置算法相关参数的步骤具体为定义种群的数量N,搜索空间为d维空间、d维空间的上边界ubd、d维空间的下边界lbd、d维搜索空间中食物的位置Fd、樽海鞘的位置xn、搜索范围[c1,cn]、初始迭代次数Fes和最大迭代次数MAXFes;
步骤S3、在d维的搜索空间中,随机生成N个个体Xi的位置代表种群的初始位置,以二进制的形式表示为并计算这些个体Xi的初始的适应度值的大小,把最小适应度值的个体认为是种群中的领导者;其中,T(x)=1/(1+e-x/3),代表了第i个个体的第j个维度的值;
步骤S4、将樽海鞘群按照适应度值进行排序,排在首位的适应度最小的樽海鞘的位置设为当前食物位置;
步骤S5、选定食物位置后,将群体中剩余N-1个樽海鞘,按照樽海鞘群体的排序,并判断个体Xi是否为领导者,若是使用公式(1)更新个体Xi位置;否则,使用公式(2)更新个体Xi位置;
步骤S6、将更新后的每个樽海鞘个体的适应度值与当前食物的适应度值进行比较,若更新后樽海鞘的适应度值优于食物,则优于食物的樽海鞘位置作为新食物的位置;
步骤S7、计算当前种群的平均位置,通过公式(3)的教学阶段更新种群的位置;
new xi=xi+rand·(Teacher-TF·Mean) (3);
其中,new xi是通过学生xi产生的一个新的个体;rand是区间0和1之间的随机数;Teacher是班级里最优秀的个体;Mean是班级所有学生的平均值;TF是一个教学因子,它的值在1和2之中随机的产生;
步骤S8、从种群中随机的挑选两个个体,通过公式(4)的学习者阶段更新种群的位置;
其中,new xi是由学生xi产生的一个新个体;rand是区间0和1之间的一个随机数;xk是从班级中不同于学生xi随机挑选的一个学生;f(xi)和f(xk)分别代表了在班级中学生xi和学生xk的适应度值;
步骤S9、Fes=Fes+1;若Fes<MAXFes,则返回步骤S3;否则,迭代结束;
步骤S10、输出最优个体位置及适应度值,即在待选的特征信息得到最终需要的特征信息。
其中,在所述步骤S7中,引入飞行策略来更新种群的位置,如公式(5)所示:
new xi=xi+rand·(Teacher-TF·Mean)·levy(dim) (5);
其中,new xi是由个体xi使用levy飞行方法之后获得的新的搜索代理;TF=2·(1-rand),其值在0到2范围内;levy是飞行策略,具体的实施公式为L(S)~s-1-β,0<β≤2;A~N(0,σ2),B~N(0,σ2), β是一个levy指数且设置为3/2,A和B服从正太分布,Γ(·)是伽马函数;dim是搜索空间的维度。
其中,在所述步骤S7中,引入突变策略来更新种群的位置,如公式(6)所示;
new xi=xr1+rand·(xr2-xr3)·levy(dim) (6);
其中,Xr1,xr2,和xr3是在从种群中随机挑选的3个个体。
其中,在所述步骤S7中,引入全局搜索来更新种群的位置,如公式(7)所示:
new xi=(ub-lb)·rand+lb (7)。
实施本发明实施例,具有如下有益效果:
本发明将教学优化算法(TLBO)引入樽海鞘群算法(SSA)中,形成教学指引的樽海鞘群算法(TLSSA),使得杂交后的TLSSA算法相较于基础的SSA和TLBO方法,它的收敛速度和局部最优避免能力有了很大的增强,同时为了能够增加杂交的TLSSA在全局探索和局部开发之间的平衡,还引入Levy飞行策略提高学习能力、引入突变策略增加种群的多样性以及引入全局搜索去提高最优解位置局部最优避免能力,使得算法的分类精度更高和错误率更低。
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性的前提下,根据这些附图获得其他的附图仍属于本发明的范畴。
图1为本发明实施例提供的基于TLSSA算法的特征信息选择方法的流程图;
图2为本发明实施例提供的基于TLSSA算法的特征信息选择方法的应用场景图;
图3为本发明实施例提供的基于TLSSA算法的特征信息选择方法在4个真实的UCI数据集上的收敛曲线图。
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,下面将结合附图对本发明作进一步地详细描述。
如图1所示,为本发明实施例中,提出的一种基于TLSSA算法的特征信息选择方法,所述方法包括以下步骤:
步骤S1、获取待选的特征信息;
步骤S2、将待选的特征信息设置为计算变量,并设置算法相关参数;其中,所述设置算法相关参数的步骤具体为定义种群的数量N,搜索空间为d维空间、d维空间的上边界ubd、d维空间的下边界lbd、d维搜索空间中食物的位置Fd、樽海鞘的位置xn、搜索范围[c1,cn]、初始迭代次数Fes和最大迭代次数MAXFes;
步骤S3、在d维的搜索空间中,随机生成N个个体Xi的位置代表种群的初始位置,以二进制的形式表示为并计算这些个体Xi的初始的适应度值的大小,把最小适应度值的个体认为是种群中的领导者;其中,T(x)=1/(1+e-x/3),代表了第i个个体的第j个维度的值;
步骤S4、将樽海鞘群按照适应度值进行排序,排在首位的适应度最小的樽海鞘的位置设为当前食物位置;
步骤S5、选定食物位置后,将群体中剩余N-1个樽海鞘,按照樽海鞘群体的排序,并判断个体Xi是否为领导者,若是使用公式(1)更新个体Xi位置;否则,使用公式(2)更新个体Xi位置;
步骤S6、将更新后的每个樽海鞘个体的适应度值与当前食物的适应度值进行比较,若更新后樽海鞘的适应度值优于食物,则优于食物的樽海鞘位置作为新食物的位置;
步骤S7、计算当前种群的平均位置,通过公式(3)的教学阶段更新种群的位置;
new xi=xi+rand·(Teacher-TF·Mean) (3);
其中,new xi是通过学生xi产生的一个新的个体;rand是区间0和1之间的随机数;Teacher是班级里最优秀的个体;Mean是班级所有学生的平均值;TF是一个教学因子,它的值在1和2之中随机的产生;
步骤S8、从种群中随机的挑选两个个体,通过公式(4)的学习者阶段更新种群的位置;
其中,new xi是由学生xi产生的一个新个体;rand是区间0和1之间的一个随机数;xk是从班级中不同于学生xi随机挑选的一个学生;f(xi)和f(xk)分别代表了在班级中学生xi和学生xk的适应度值;
步骤S9、Fes=Fes+1;若Fes<MAXFes,则返回步骤S3;否则,迭代结束;
步骤S10、输出具有最小适应度值的个体作为最优解,即在待选的特征信息得到最终需要的特征信息。
具体过程为,在步骤S1中,获取待选的特征信息或者其它领域需要解决的问题。
在步骤S2中,对问题进行初始化。包括将待选的特征信息设置为计算变量,并设置算法相关参数;其中,算法相关参数包括种群的数量N,搜索空间为d维空间、d维空间的上边界ubd、d维空间的下边界lbd、d维搜索空间中食物的位置Fd、樽海鞘的位置xn、搜索范围[c1,cn]、初始迭代次数Fes和最大迭代次数MAXFes等。
在步骤S3中,在d维的搜索空间中,随机生成N个个体Xi的位置代表种群的初始位置,以二进制的形式,并计算这些个体Xi的初始的适应度值的大小,把最小适应度值的个体认为是种群中的领导者。
应当说明的是,特征选择(FS)问题是离散的优化任务,在提出的TLSSA算法的基础上,我们引入了一种二分的TLSSA(BTLSSA)来进行适当的改变以满足离散优化任务的需求。
例如,当个体的某个维度的值为1时代表的是该特征被选中。相反,维度值为0时表示丢弃该特征。因此,可以在后续步骤中使用适应度值去综合的评价算法的性能差异。该适应度值可以采用数学公式 来表示,其中,correctRate是分类的精度它被获得通过KNN分类器,Ni是使用提出的方法挑选的特征数量,其和N是每一个数据集的特征总数;α和β是两个权重因子,β=1-α,且可设置α的值为0.95。
在步骤S4中,将樽海鞘群按照适应度值进行排序,排在首位的适应度最小的樽海鞘的位置设为当前食物位置.
在步骤S5中,在一个独立的樽海鞘种群中,可以把它们划分为领导者和跟随者。领导者的主要职责是指引种群的移动方向和探索食物资源更密集的区域。跟随者正如它名字所暗示的那样,逐渐的向领导者的位置聚集。在这一过程中,如果跟随者发现了食物质量更高的食物,那么它们的身份就会发生互换从而去更好的壮大种群。
因此,选定食物位置后,将群体中剩余N-1个樽海鞘,按照樽海鞘群体的排序,并判断个体Xi是否为领导者,若是使用公式(1)更新个体Xi位置;否则,使用公式(2)更新个体Xi位置;
在步骤S6中,将更新后的每个樽海鞘个体的适应度值与当前食物的适应度值进行比较,若更新后樽海鞘的适应度值优于食物,则优于食物的樽海鞘位置作为新食物的位置;
在步骤S7和步骤S8中,引入教学阶段和学习者阶段计算当前种群的平均位置。此时,在教学阶段,老师的责任是负责向学生传授自己的知识去提高班级的整体的水平。一个的杰出的班级离不开一位好的老师的影响。之后,在学习者阶段,班级里的学生相互之间讨论,展示和交流的方式进行知识的共享从而提高自己的学习水平。在每一次学习之后最优的学生被视为该班级的老师。
通过公式(3)的教学阶段,更新种群的位置;
new xi=xi+rand·(Teacher-TF·Mean) (3);
以及,通过公式(4)的学习者阶段,更新种群的位置;
为了能够增加杂交的TLSSA在全局探索和局部开发之间的平衡一些适当的修改是非常有必要的。例如,在教学阶段,我们引入了Levy飞行策略去帮助老师更好的对不同水平的学生进行教学从而提高班级的整体学习能力。因此,引入飞行策略来更新种群的位置时,采用如下公式(5)所示:
new xi=xi+rand·(Teacher-TF·Mean)·levy(dim) (5);
其中,new xi是由个体xi使用levy飞行方法之后获得的新的搜索代理;TF=2·(1-rand),其值在0到2范围内;levy是飞行策略,具体的实施公式为L(S)~s-1-β,0<β≤2;A~N(0,σ2),B~N(0,σ2), β是一个levy指数且设置为3/2,A和B服从正太分布,Г(·)是伽马函数;dim是搜索空间的维度。
更进一步,受DE算法的启发,引入突变策略是为了增加种群的多样性,也是一种常见被使用在元启发式算法中的方法。因此,引入突变策略来更新种群的位置时,采用如下公式(6)所示;
new xi=xr1+rand·(xr2-xr3)·levy(dim) (6);
其中,xr1,xr2,和xr3是在从种群中随机挑选的3个个体。
此外,为了增加算法的全局搜索能力,当p<0.1时(p值也是0到1之间随机数)引入全局搜索来更新种群的位置,如公式(7)所示:
new xi=(ub-lb)·rand+lb (7)。
在步骤S9中,判断迭代结果;若Fes<MAXFes,则返回步骤S3继续迭代;否则,迭代结束;
在步骤S10中,输出最优个体位置及适应度值,即在待选的特征信息得到最终需要的特征信息。
如图2所示,为应用场景图。首先,当种群的大小为N时,我们对种群进行初始化。在d维的搜索空间中,随机的生成N个个体的位置代表种群的初始位置。然后计算这些个体的初始的适应度值的大小,把拥有最好的适应度值的个体认为是种群中的领导者。
进入迭代循环择优阶段,通过每一次迭代更新种群的位置大小从而挑选出最优的个体。在基础的SSA位置更新阶段,对涉及到的参数c1,c2和c3进行初始化,判断个体Xi是否为领导者,如果是使用公式(3)、(5)~(7)之中任一个更新个体位置。否则,使用公式(4)更新个体位置。
对更新位置后的种群进行适应度值的评估,保留最优个体的位置。之后进入TLBO位置更新阶段,计算当前种群的平均位置,通过教学阶段更新种群的位置。然后从种群中随机的挑选两个个体,通过学习者阶段更新种群的位置。
判断终止条件是否被满足,如果满足返回最优的个体的位置和它的适应度值。否则,继续进行迭代循环直到满足终止条件。
如图3所示,为特征选择的对比实验的收敛图。为了验证该方法在解决实际问题上的优化性能。我们挑选了4个数据集来自于真实的UCI数据集。表1展示了这4个数据集的细节。
表1.数据集的特征
表1描述了这4个数据集的名称,包含的样例的数量和特征数量。我们挑选的这4个数据集来自于UCI数据集,和它们都是真实存在的数据集。它们对于评估算法的分类性能是非常有效的。此外,在这些数据集上进行对比的算法是:二分的TLSSA,二分的教与学优化算法(BTLBO),二分的粒子群算法(BPSO),二分的樽海鞘群算法(BSSA)和二分的鲸鱼优化算法(BWOA)。图3描述了二分的BTLSSA在4个数据集上的收敛曲线。由此,我们可以发现提出的BTLSSA的分类性能是更好的相较于这些先进的对比方法。
实施本发明实施例,具有如下有益效果:
本发明将教学优化算法(TLBO)引入樽海鞘群算法(SSA)中,形成教学指引的樽海鞘群算法(TLSSA),使得杂交后的TLSSA算法相较于基础的SSA和TLBO方法,它的收敛速度和局部最优避免能力有了很大的增强,同时为了能够增加杂交的TLSSA在全局探索和局部开发之间的平衡,还引入Levy飞行策略提高学习能力、引入突变策略增加种群的多样性以及引入全局搜索去提高最优解位置局部最优避免能力,使得算法的分类精度更高和错误率更低。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,所述的程序可以存储于一计算机可读取存储介质中,所述的存储介质,如ROM/RAM、磁盘、光盘等。
以上所揭露的仅为本发明一种较佳实施例而已,当然不能以此来限定本发明之权利范围,因此依本发明权利要求所作的等同变化,仍属本发明所涵盖的范围。
Claims (4)
1.一种基于TLSSA算法的特征信息选择方法,其特征在于,所述方法包括以下步骤:
步骤S1、获取待选的特征信息;
步骤S2、将待选的特征信息设置为计算变量,并设置算法相关参数;其中,所述设置算法相关参数的步骤具体为定义种群的数量N,搜索空间为d维空间、d维空间的上边界ubd、d维空间的下边界lbd、d维搜索空间中食物的位置Fd、樽海鞘的位置xn、搜索范围[c1,cn]、初始迭代次数Fes和最大迭代次数MAXFes;
步骤S3、在d维的搜索空间中,随机生成N个个体Xi的位置代表种群的初始位置,以二进制的形式表示为并计算这些个体Xi的初始的适应度值的大小,把最小适应度值的个体认为是种群中的领导者;其中,T(x)=1/(1+e-x/3),代表了第i个个体的第j个维度的值;
步骤S4、将樽海鞘群按照适应度值进行排序,排在首位的适应度最小的樽海鞘的位置设为当前食物位置;
步骤S5、选定食物位置后,将群体中剩余N-1个樽海鞘,按照樽海鞘群体的排序,并判断个体Xi是否为领导者,若是使用公式(1)更新个体Xi位置;否则,使用公式(2)更新个体Xi位置;
步骤S6、将更新后的每个樽海鞘个体的适应度值与当前食物的适应度值进行比较,若更新后樽海鞘的适应度值优于食物,则优于食物的樽海鞘位置作为新食物的位置;
步骤S7、计算当前种群的平均位置,通过公式(3)的教学阶段更新种群的位置;
new xi=xi+rand·(Teacher-TF·Mean) (3);
其中,new xi是通过学生xi产生的一个新的个体;rand是区间0和1之间的随机数;Teacher是班级里最优秀的个体;Mean是班级所有学生的平均值;TF是一个教学因子,它的值在1和2之中随机的产生;
步骤S8、从种群中随机的挑选两个个体,通过公式(4)的学习者阶段更新种群的位置;
其中,new xi是由学生xi产生的一个新个体;rand是区间0和1之间的一个随机数;xk是从班级中不同于学生xi随机挑选的一个学生;f(xi)和f(xk)分别代表了在班级中学生xi和学生xk的适应度值;
步骤S9、Fes=Fes+1;若Fes<MAXFes,则返回步骤S3;否则,迭代结束;
步骤S10、输出最优个体位置及适应度值,即在待选的特征信息得到最终需要的特征信息。
3.如权利要求2所述的基于TLSSA算法的特征信息选择方法,其特征在于,在所述步骤S7中,引入突变策略来更新种群的位置,如公式(6)所示:
new xi=xr1+rand·(xr2-xr3)·levy(dim) (6);
其中,xr1,xr2,和xr3是在从种群中随机挑选的3个个体。
4.如权利要求3所述的基于TLSSA算法的特征信息选择方法,其特征在于,在所述步骤S7中,引入全局搜索来更新种群的位置,如公式(7)所示:
new xi=(ub-lb)·rand+lb (7)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110491799.9A CN113297532B (zh) | 2021-05-06 | 2021-05-06 | 一种基于tlssa算法的特征信息选择方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110491799.9A CN113297532B (zh) | 2021-05-06 | 2021-05-06 | 一种基于tlssa算法的特征信息选择方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113297532A true CN113297532A (zh) | 2021-08-24 |
CN113297532B CN113297532B (zh) | 2023-07-07 |
Family
ID=77321754
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110491799.9A Active CN113297532B (zh) | 2021-05-06 | 2021-05-06 | 一种基于tlssa算法的特征信息选择方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113297532B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160162785A1 (en) * | 2014-12-09 | 2016-06-09 | Vital Statistics Inc. | Methods and systems for using a user customizable artificial intelligence engine for searching and correlating multiple databases |
CN111274020A (zh) * | 2020-02-24 | 2020-06-12 | 武汉轻工大学 | 基于樽海鞘群的云任务调度方法、装置、设备及存储介质 |
-
2021
- 2021-05-06 CN CN202110491799.9A patent/CN113297532B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160162785A1 (en) * | 2014-12-09 | 2016-06-09 | Vital Statistics Inc. | Methods and systems for using a user customizable artificial intelligence engine for searching and correlating multiple databases |
CN111274020A (zh) * | 2020-02-24 | 2020-06-12 | 武汉轻工大学 | 基于樽海鞘群的云任务调度方法、装置、设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
TAPAS KUMAR MOHAPATRA 等: "Design and implementation of SSA based fractional order PID controller for automatic generation control of a multi-area, multi-source interconnected power system", 《2018 TECHNOLOGIES FOR SMART-CITY ENERGY SECURITY AND POWER (ICSESP)》 * |
Also Published As
Publication number | Publication date |
---|---|
CN113297532B (zh) | 2023-07-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Hybrid Particle Swarm and Grey Wolf Optimizer and its application to clustering optimization | |
CN106560848B (zh) | 模拟生物双向认知能力的新型神经网络模型及训练方法 | |
CN107862970B (zh) | 一种用于翻转课堂的教学质量评价模型 | |
CN111260118A (zh) | 一种基于量子粒子群优化策略的车联网交通流量预测方法 | |
CN112465120A (zh) | 一种基于进化方法的快速注意力神经网络架构搜索方法 | |
CN111105045A (zh) | 一种基于改进的蝗虫优化算法构建预测模型的方法 | |
Iba | Evolutionary approach to machine learning and deep neural networks | |
Mandal et al. | Multi–Objective Optimization | |
CN113255873A (zh) | 一种聚类天牛群优化方法、系统、计算机设备和存储介质 | |
CN113722980A (zh) | 海洋浪高预测方法、系统、计算机设备、存储介质、终端 | |
Alwaisi et al. | Training of artificial neural network using metaheuristic algorithm | |
CN113297532B (zh) | 一种基于tlssa算法的特征信息选择方法 | |
CN110047088B (zh) | 一种基于改进教与学优化算法的ht-29图像分割方法 | |
CN114742292A (zh) | 面向知识追踪过程的双态协同演化预测学生未来表现方法 | |
CN115438842A (zh) | 一种基于自适应改进蜉蝣和bp神经网络的负荷预测方法 | |
Raj | Improving Classification Accuracy Using Hybrid of Extreme Learning Machine and Artificial Algae Algorithm with Multi-Light Source. | |
Xu et al. | A dendritic neuron model for breast cancer classification | |
Deng | Aquila optimizer with dynamic group strategy for global optimization tasks | |
Chen et al. | Parametric Design of Office Furniture Partition Space Integrated with the Interactive Evolution Algorithm of FNT and Tree Structure | |
Alhanjouri et al. | Integrating bat algorithm to inverse weighted k-means | |
Komleva et al. | Neuroevolutional methods for decision support under uncertainty | |
Zhang et al. | An Improved Particle Swarm Optimization Algorithm for Parameters Optimizing of Feedforward Neural Networks | |
CN116630718A (zh) | 一种基于原型的低扰动的图像类增量学习算法 | |
PANa et al. | A Teaching Evaluation Model Based on SVM Multi Classification | |
Bai et al. | Application of BP Neural Network Based on Genetic Algorithm Optimization for Prediction of Vegetable Sales Datasets |
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 |