免费论文：基于云模型的进化算法研究与应用

进化计算已在各个领域得到了广泛的成功应用。本文以现代进化论为生物学根据，借鉴传统进化算法的成果，以定性定量不确定性转换模型-云模型为基础，从一个全新角度提出并实现了一种基于云模型的进化算法，并将算法应用于数值优化及数据分类问题。主要工作概括如下： （1）深入研究并揭示了云模型的云滴样本分布规律，丰富了云模型的研究成果。统计分析了超熵(He)和熵(En)的变化对云滴分布的影响，指出了云模型体现的泛正态分布与标准正态分布在样本分布特征上的根本区别，验证了云模型在选择压力的定性调节和搜索区域的定性控制方面的优势，阐述了联合使用超熵和熵进行选择压力定性控制的合理性。（2）提出并实现了一种基于云模型的进化算法-CBEA。分析了传统遗传算法个体之间完全随机交配的不足，提出把种群中个体基因的分布规律作为一种进化知识的观点，并基于云模型对其建模，利用云模型在知识的定性表示和定量表示之间的不确定转换特征，以阶段性进化成果为反馈，形成自适应进化系统，通过对云模型三个数字特征的调节，在进化过程中实现了种群选择压力的动态调整，从而达到对种群的进化方向和速度实施定性控制的目标。（3）作为知识发现的重要研究分支，分类系统有着广泛的应用背景。本文基于云进化算法提出并实现了数据分类算法-CEBC。该算法根据分类属性重要度统一产生规则结构，把规则结构相同的个体组成一个种群，通过基于多种群的云进化算法优化规则中属性条件的边界。（4）数据挖掘中相似性度量方法研究有重要的意义，本文基于云模型在知识层面上提出一种计算数据集相似性的方法-LICM，该方法考虑了对象类的整体信息，克服了传统的基于向量的相似度计算方式严格匹配对象属性的不足和侧重利用相关性而非相似性的弱点。作为本文分类算法的重要前置处理过程，LICM方法用于属性重要度的计算，有效地提高了规则的质量和分类算法的效率。（5）为了充分验证以上算法的有效性，用CBEA求解经典测试函数的数值优化问题，并与近年来提出的优秀的遗传算法、进化规划算法、粒子群算法等进行对比分析，实验表明算法在求解函数优化问题时能以较好的精度获得最优解，对于低维函数优化问题性能良好；使用UCI标准数据集测试CEBC的性能和效力，并与RISE、SIA、ESIA、OCEC等优秀分类算法以及得到广泛应用的C4.5算法进行对比分析，实验表明算法的多种群优化策略对连续属性数据集的分类是高效的；基于LICM方法求解属性相似度，并与传统相似度计算方法进行对比分析，实验表明该方法的准确度高于对比算法；将LICM方法用于CBEC中完成数据集属性重要度计算，实验表明计算结果与基于统计的方法计算结果一致。

来源：半壳优胜育转载请保留出处和链接！

本文链接：http://87cpy.com/267975.html