基于灰狼-鸟群算法的特征权重优化方法

U461%TP308; 针对特征权重难以准确量化的问题,提出一种基于灰狼优化(grey wolf optimizer,GWO)算法和鸟群算法(bird swarm algorithm,BSA)的混合算法,用于特征权重的寻优.首先,将Chebyshev映射、反向学习与精英策略用于混合算法的初始种群生成;其次,将改进后的GWO算法位置更新策略融入BSA的觅食行为中,得到一种新的局部搜索策略;然后,将BSA的警觉行为与飞行行为用作混合算法的全局搜索平衡策略,从而得到一种收敛的灰狼-鸟群算法(grey wolf and bird swarm algorithm,GWBSA),通过GWBSA的迭代寻优可...

Full description

Saved in:
Bibliographic Details
Published in北京工业大学学报 Vol. 49; no. 10; pp. 1088 - 1098
Main Authors 严爱军, 严晶
Format Journal Article
LanguageChinese
Published 数字社区教育部工程研究中心, 北京 100124 2023
北京工业大学信息学部, 北京 100124
城市轨道交通北京实验室, 北京 100124%北京工业大学信息学部, 北京 100124
Subjects
鸟群算法(bird swarm algorithm,BSA)
pattern classification
hybrid algorithm
feature weights
混合算法
问题求解
bird swarm algorithm (BSA)
problem solving
特征权重
模式分类
灰狼优化(grey wolf optimizer,GWO)算法
grey wolf optimizer (GWO) algorithm
Online AccessGet full text
ISSN0254-0037
DOI10.11936/bjutxb2021110012

Cover

More Information
Summary:U461%TP308; 针对特征权重难以准确量化的问题,提出一种基于灰狼优化(grey wolf optimizer,GWO)算法和鸟群算法(bird swarm algorithm,BSA)的混合算法,用于特征权重的寻优.首先,将Chebyshev映射、反向学习与精英策略用于混合算法的初始种群生成;其次,将改进后的GWO算法位置更新策略融入BSA的觅食行为中,得到一种新的局部搜索策略;然后,将BSA的警觉行为与飞行行为用作混合算法的全局搜索平衡策略,从而得到一种收敛的灰狼-鸟群算法(grey wolf and bird swarm algorithm,GWBSA),通过GWBSA的迭代寻优可获得各特征的权重值.利用标准测试函数和标准分类数据集进行了对比实验,与遗传算法、蚁狮算法等方法相比,GWBSA具有较快的收敛速度且不易陷入局部最优,可以提高模式分类问题的求解质量.
ISSN:0254-0037
DOI:10.11936/bjutxb2021110012