一种基于椋鸟群行为的改进型蝙蝠算法

蝙蝠算法是一种新兴的元启发式算法,基本蝙蝠算法（BA）存在寻优精度低、易陷入局部最优等缺点。将椋鸟群的集体性行为引入到基本蝙蝠算法中,有效地提高了算法的搜索范围;引入线性递减权重,用于平衡全局搜索和局部搜索。通过一些测试函数对该算法进行仿真研究,结果表明改进的蝙蝠算法有效地避免了种群个体陷入局部最优,提高了算法的寻优精度,优化效果得到改善。     

引入迁移和变异策略的改进鸟群算法及其在参数估计中的应用

针对鸟群算法（BSA）易陷入局部最优的问题,提出了一种引入迁移策略和变异策略的改进鸟群算法（IBSA）。在鸟群飞行阶段引入迁移策略有助于提高鸟群向适应度更高位置迁移的能力,提高BSA的收敛速度;在寻优后期引入变异策略,提高鸟群的局部寻优能力,提高了算法的寻优能力。选取6个典型的测试函数进行寻优实验,实验结果表明,与粒子群算法（PSO）、蝙蝠算法（BA）、BSA等算法相比,IBSA具有更高的寻优精度和更快的寻优速度。在此基础上,将IBSA应用于发酵动力学模型参数估计中,与Gauss-Newton、GA、MAEA算法相比,IBSA的参数估计值的偏差平方和最小,具有更高的模型拟合精度。在面对非凸、不可微等复杂寻优问题的情况下,IBSA为研究者提供了一种更加可靠、快速和精确的寻优可能。     

基于寄生行为的双种群萤火虫算法及其在柴油调合中的应用

在实际的化工过程中会遇到许多非线性优化问题。常规群智能优化算法在解决这类问题时,常出现收敛精度差和容易陷入局部最优,本文针对此提出了一种基于寄生行为的双种群萤火虫算法（FAPB）。该算法将进化种群均分为两个种群,通过生物的寄生行为将两个种群联系起来,共享进化信息,提高了全局搜索能力;为防止算法陷入局部最优,引入基于自适应系数的高斯变异机制,提高了局部搜索能力。对4个经典测试函数进行仿真,结果表明：与标准FA算法、FALS算法、LDPSO算法比较,FAPB算法在收敛精度和全局搜索能力上都有较大提升。将该算法应用于柴油调合过程,结果验证了其在实际应用中的可行性。     

基于灰狼算法和案例推理的工控系统入侵检测

提出了一种基于二进制灰狼算法和邻域粗糙集的案例推理分类算法（bGWO-NRS-CBR）,以有效处理工控网络数据样本高维、冗余的问题。首先,将邻域粗糙集（NRS）中的依赖度概念和属性个数作为二进制灰狼优化算法（bGWO）的适应度函数,通过狼群不断更新位置寻找最小相对属性集;然后基于属性重要度对权重进行优化分配从而建立案例推理（CBR）分类模型;最后利用该模型对工控网络标准数据集进行入侵检测研究。实验结果表明,本文算法能够获得最小相对属性子集,并有效提高入侵检测算法的准确度和效率。     

基于IWBA算法的三值FPRM电路综合优化

通过对杂草蝙蝠算法（Invasive Weed Bat Algorithm,IWBA）和三值FPRM（Fixed-Polarity Reed-Muller）电路函数表达式的研究,提出了一种三值FPRM电路延时和面积优化算法。算法首先建立延时估计模型,评估当前极性电路的适应度函数值;然后利用三值极性转换算法,将二值基准测试电路转换为三值FPRM电路;最后利用IWBA算法进行三值FPRM电路延时和面积最佳极性搜索。实验对10个基准电路进行测试,结果表明：相比于蝙蝠算法（Bat Algorithm,BA）,延时平均降低14.3%,面积平均节省66.0%。     

小波核极限学习机及其在醋酸精馏软测量建模中的应用

传统的机器学习算法一般通过迭代进行参数寻优,导致学习速度慢,且容易陷入局部最小值。针对这个问题,提出了一种基于小波核函数的极限学习机（KEML）的软测量建模方法,将支持向量机（SVM）中核函数的思想运用到极限学习机（EML）中,避免了SVM训练速度慢以及ELM算法不稳定的缺点。将KEML算法运用于醋酸精馏的软测量建模问题中,仿真实验结果验证了该算法的学习速度是SVM的92倍,且算法的精度以及模型的泛化能力都有所提高。     

经颈动脉途径肝动脉插管及脾内注射肝细胞移植治疗急性肝衰大鼠的疗效比较

变异量子粒子群算法（MQPSO）通过在量子粒子群算法(QPSO)中引入变异机制,增加了全局搜索能力,避免陷入局部最优。在粗糙集理论和MQPSO算法基础上,提出了基于MQPSO优化的决策表属性约简方法,并在算法实现中提出了迭代记录策略,改进了算法中的耗时计算部分,降低了算法的时间复杂度。     

基于离散粒子群和支持向量机的故障诊断方法

针对与故障不相关的变量会影响分类器性能，从而导致故障诊断正确率下降，提出一种将离散粒子群算法（PSO）与支持向量机（SVM）相结合寻找故障特征变量的优化算法。该算法实现了数据降维和故障特征保留，有效地提高了故障诊断性能。基于连续搅拌釜式反应器（CSTR）的仿真实例验证了该算法古白有诗性．     

基于血清SERS的肝癌分类模型的机器学习算法优化研究

目的 通过比较主成分分析（PCA）、线性判别分析（LDA）、支持向量机（SVM）和正交偏最小二乘判别分析（OPLS-DA）,优化获得基于血清表面增强拉曼光谱术（SERS）的肝癌分类模型的最佳算法,为研发新型肝癌诊断技术奠定基础。方法 采集检测52例肝癌患者、64例肝硬化患者和53例健康志愿者的血清增强拉曼信号,分析不同SERS光谱特征,分别建立PCA-LDA、PCA-SVM、SVM-线性核函数、SVM-高斯径向基函数（SVM-RBF）和OPLS-DA算法的肝癌分类模型,并使用敏感性、特异性、准确度和受试者操作特征曲线评估5种算法对肝癌的诊断效能。结果 在三分类中,基于OPLS-DA算法对肝癌的分类准确度均高于其他4种算法的。在二分类肝癌组和非肝癌组中,基于SVM-RBF算法准确度高于其他4种算法的。二分类模型的受试者操作特征曲线显示,SVM-RBF算法对肝癌的预测能力均高于其他4种算法的。结论 SVM-RBF算法结合血清SERS建立的肝癌分类模型是一种快速、准确地检测肝癌的新技术。     

基于GSO算法与互信息的医学图像配准

医学图像处理过程通常包括图像预处理、特征提取、图像分类,Harris角点检测算法是常用的特征点提取算法之一。该算法适应多种变换、运算简便,在医学图像处理领域中广泛应用,但在实际应用中发现传统的Harris算法检测到的特征点数量不足且图像配准精度不高。因此提出了一种优化算法（GM-Harris算法）,即采用群搜索优化算法（GSO算法）与互信息相结合的方式优化传统Harris算法的过程,并从匹配有效率与算法效率两方面对2种算法的特征点提取效果进行了定量分析。实验结果表明,与传统的Harris算法相比,GM-Harris算法不但可以获得较充足的特征点,而且还能提高图像配准的精度。     

基于支持向量机的Windows主机入侵检测系统

提出了一种基于支持向量机的W indow s主机入侵检测方法。讨论了以W indow s注册表作为数据源的入侵检测系统的结构及特征向量的提取方法。给出了基于支持向量机的入侵分类算法,通过建立支持向量描述模型进行预测。实验表明:该方法对已知样本有很高的检测率,对未知样本也有一定检测能力。     

基于混合核函数的PSO-SVM分类算法

在数据挖掘中,支持向量机是被广泛应用的一种分类算法,其核函数的选择及参数的设定没有有效的标准。本文采用混合核函数构造兼顾学习能力和泛化性能的支持向量机算法,并利用粒子群算法来确定支持向量机的参数。应用基于混合核函数的PSO SVM算法对一个经典的分类测试数据集进行分类,将该算法与单一核函数支持向量机算法的分类结果进行比较,结果表明所提出的算法的分类性能有明显提升。     

基于BA无标度网络的WSNs拓扑优化模型

由于无线传感器能量受限,最大化网络生命周期成为优化网络拓扑首要考虑的问题。基于BA无标度理论,提出了一种WSNs拓扑优化模型（WTOM）。在网络中引入超级节点,结合粒子群算法合理地划分整个网络;在节点间建立多因素为导向的虚拟力场,利用虚拟力调整超级节点的部署位置,实现网络能量的均衡消耗,通过对关键节点的保护,提高网络的抗毁鲁棒性。经理论分析和实验证明,该网络不仅继承了BA无标度网络的特征还具有小世界特性;同时该动态拓扑延长了网络的生命周期,提高了网络面向数据收集的节能性。     

Support Vector Machine Based Diagnostic System for Breast Cancer Using Swarm Intelligence

Breast cancer is becoming a leading cause of death among women in the whole world, meanwhile, it is confirmed that the early detection and accurate diagnosis of this disease can ensure a long survival of the patients. In this paper, a swarm intelligence technique based support vector machine classifier (PSO_SVM) is proposed for breast cancer diagnosis. In the proposed PSO-SVM, the issue of model selection and feature selection in SVM is simultaneously solved under particle swarm (PSO optimization) framework. A weighted function is adopted to design the objective function of PSO, which takes into account the average accuracy rates of SVM (ACC), the number of support vectors (SVs) and the selected features simultaneously. Furthermore, time varying acceleration coefficients (TVAC) and inertia weight (TVIW) are employed to efficiently control the local and global search in PSO algorithm. The effectiveness of PSO-SVM has been rigorously evaluated against the Wisconsin Breast Cancer Dataset (WBCD), which is commonly used among researchers who use machine learning methods for breast cancer diagnosis. The proposed system is compared with the grid search method with feature selection by F-score. The experimental results demonstrate that the proposed approach not only obtains much more appropriate model parameters and discriminative feature subset, but also needs smaller set of SVs for training, giving high predictive accuracy. In addition, Compared to the existing methods in previous studies, the proposed system can also be regarded as a promising success with the excellent classification accuracy of 99.3% via 10-fold cross validation (CV) analysis. Moreover, a combination of five informative features is identified, which might provide important insights to the nature of the breast cancer disease and give an important clue for the physicians to take a closer attention. We believe the promising result can ensure that the physicians make very accurate diagnostic decision in clinical breast cancer diagnosis.     

An Improved Decision Support System for Detection of Lesions in Mammograms Using Differential Evolution Optimized Wavelet Neural Network

In this paper, a computerized scheme for automatic detection of cancerous lesion in mammograms is examined. Breast lesions in mammograms are an area with an abnormality or alteration in the breast tissues. Diagnosis of these lesions at the early stage is a very difficult task as the cancerous lesions are embedded in normal breast tissue structures. This paper proposes a supervised machine learning algorithm - Differential Evolution Optimized Wavelet Neural Network (DEOWNN) for detection of tumor masses in mammograms. Differential Evolution (DE) is a population based optimization algorithm based on the principle of natural evolution, which optimizes real parameters and real valued functions. By utilizing the DE algorithm, the parameters of the Wavelet Neural Network (WNN) are optimized. To increase the detection accuracy a feature extraction methodology is used to extract the texture features of the abnormal breast tissues and normal breast tissues prior to classification. Then DEOWNN classifier is applied at the end to determine whether the given input data is normal or abnormal. The performance of the computerized decision support system is evaluated using a mini database from Mammographic Image Analysis Society (MIAS). The detection performance is evaluated using Receiver Operating Characteristic (ROC) curves. The result shows that the proposed algorithm has a sensitivity of 96.9% and specificity of 92.9%.     

利用Alopex改进的粒子群优化算法及其在软测量建模中的应用

提出了一种利用A lopex算法改进的粒子群优化算法,并将其应用于神经网络的建模中。改进的粒子群优化算法改善了粒子群优化算法摆脱局部极小点的能力,对典型函数的测试和基于神经网络的软测量建模表明:改进算法的全局搜索能力有了显著提高,特别是对多峰函数能够有效地避免早熟收敛问题。