当前位置:大学毕业论文> 本科论文>材料浏览

关于蚁群算法论文范文写作 基于ReliefF和蚁群算法的特征基因选择方法分析相关论文写作资料

主题:蚁群算法论文写作 时间:2024-02-04

基于ReliefF和蚁群算法的特征基因选择方法分析,此文是一篇蚁群算法论文范文,为你的毕业论文写作提供有价值的参考。

蚁群算法论文参考文献:

蚁群算法论文参考文献 期刊论文的外部特征论文调查方法国家级期刊的查询方法选择的力量论文

摘 要:文章以获得最佳特征分类效果为前提,针对ReliefF算法和蚁群算法,对其在特征基因选择中的运用展开了分析,从而确定了这两种方法对于特征分类的重要意义.

关键词:ReliefF;蚁群算法;特征基因选择方法

中图分类号:TP311 文献标识码:A 文章编号:1009-3044(2017)32-0199-02

在确定特种基因选择方法时,一般会运用蚁群算法、ReliefF算法.其中,蚂蚁算法主要用于组合优化问题求解的元启发式方法,体现了非常强的健壮性、回馈控制、Agent系统等优势,此外,蚂蚁算法本身所体现的贪心策略、随机策略也在原来的基础上提高了全局搜索水平.通常在微阵列数据当中,经常出现标记错误或者类别标签错误的样品,这时便可以运用蚁群算法,利用不同特征的冗余性组织分析,将以上相关问题合理解决.Relief算法则是一种非常经典的Filter 方法,也是一种非常普及、高效率的维数约简法.Relief算法中包含了Relief、Relief和ReliefF,ReliefF更多使用与多分类、数据不足、噪声等问题的求解.Relief 算法的时间复杂程度比较低,使用时也不需要分类精度这种评价函数,然而因为该算法是以特征权重算法为基础,所以在选择特征时只是提升与标签相关的特征权重值,将权重值低特征予以剔除,这样一来就无法剔除冗余特征.基于此,下文出于对以上两种算法优良性能的考虑,以此为前提分析了特种基因的选择方法.

1 Relief 算法与特征基因选择方法结合

Relief算法在实际应用中是一种效率非常高的 Filter 算法,按照特征的重要程度,对其进行排序,以超出指定阈值的特征当做特征子集.在训练集中可以确定Relief的任意样本R,针对所有样本都有2个最近邻,分别来自于同类样本H和异类样本M[1].如果选择的样本R和样本H在训练集当中出现与特征A相关的差异,那么特征A便会被赋予比较低的权重.样本R和M在训练集中发生关于特征A的差异,那么特征A便会被赋予比较高的权重.由此一来,特征A可以通过Relief 对权重W[A]进行更新,

W[A]等于W[A]-diff(A,R,H)/m+diff(A,R,M)/m (1)

在公式(1)中,m为随机抽样个数,diff函数代表给定函数2个样本差异.对 W[A]进行计算时,要使用m对其进行归一化处理,确保权重值在-1~1之间.

一旦特征属性是标称属性,这时对于diff(A,Ix,Iy)的计算需要按照如下公式进行:

[diff(A,Ix,Iy)等于0;value(A,Ix)value(A,Iy)I;otherwise] (2)

一旦特征属性是数值属性时,这时对于diff(A,Ix,Iy)的计算需要按照如下公式计算:

[diff(A,Ix,Iy)等于|value(A,Ix)-value(A,Iy)|max(A)-min(A)] (3)

如果在计算时使用传统的算法,那么会将计算局限在二分类问题中,也无法对数据缺失、噪声等问题进行很好的解决.早在20世纪末,便已经有专家将Relief算法进行了拓展,并且在原来的基础上提出了ReliefF算法,将以上提出的一系列问题全部解决.ReliefF算法将所有样本同类的k个最近邻差异值、其余异类k个最近邻差异值进行平均,以此来解决数据内噪声带来的影响.选择最近邻样本数主要体现的是ReliefF、Relief二者的基本差异,保证了ReliefF算法本身所具有的鲁棒性.

为了将数据缺失这一问题予以解决,相关专家对原有的diff(A,Ix,Iy)函数进行了优化,优化之后的函数可以有效计算出属性缺失值.如果样本Ix存在缺失值,那么diff(A,Ix,Iy)的计算则是如下形式:

[diff(A,Ix,Iy)等于1-P(value(A,Iy)|class(Ix))] (4)

如果样本Ix与样本Iy均含有缺失值,那么diff(A,Ix,Iy)函数计算则要按照如下形式进行:

[diff(A,Ix,Iy)等于|-V#value(A)P(V|class(Ix))×P(V|class(A,Iy)))] (5)

在公式(5)中,V代表全部样本内特征A的数值,ReliefF算法描述算法具体表现为如下算法1模式:

算法1

输入:训练集D,迭代次数m,最近邻样本数k.

输出:特征权重向量W.

初始化特征权重:

for i等于1 to m

從D当中选择一个随机样本Ri;

For each classC等于class(Ri);

确定一个和Ri同类的k个最近邻样本,即Hj;

For each classC≠class(Ri);

确定一个和Ri不同类的k个最近邻样本,即Mj(C);

For A:I to All feature;

[W[A]等于W[A]j等于1kdiff(A,Ri,Hj)/mk]

[+C≠class(Ri)pi(C)1-p(class(Ri))j等于ikdiff(A,Ri,Mj(C))/mk]

每次ReliefF在D中随机选择样本Ri,随后在从相同类别样本内确定k个最近邻样本,即Hj,在所有和Ri不同类样本内k个最近邻样本Mj(C),再对权重进行更新,反复进行上述流程,m次之后便可以完成权重排序,选择低权重的特征.

2 蚂蚁算法与特征基因选择方法结合

2.1 蚂蚁算法

专家在观察蚂蚁觅食的过程中发现,蚂蚁前进途中会在之前行走的路途中放射一种化学物质,即信息素,其余蚂蚁会按照道路上释放信息素浓度的不同,寻找自己行走的路线,在之前的基础上释放出更多信息素[2].如果一条道路蚂蚁数量多,那么则证明信息素多,便会吸引更多的蚂蚁,通过这种方式来确定食物、巢穴之间的最短路途.由此可以证明,尽管一只蚂蚁的力量小,但是集合所有蚂蚁却能发挥出无穷的力量[3].

结论:大学硕士与本科蚁群算法毕业论文开题报告范文和相关优秀学术职称论文参考文献资料下载,关于免费教你怎么写蚁群算法方面论文范文。

基于改进蚁群算法侦察无人机航路规划和实现
摘要:文章针对侦察无人机航路规划这一问题,分析了影响航路规划的因素,构建了航路规划的模型。结合侦察无人机航路规划的特点与模型,论证了基于蚁群算法。

自适应蚁群算法在双向生产车间调度中应用
摘要:本文将蚁群算法与双向调度算法结合,用以解决以生产周期和关键工件交货期为优化目标的车间作业调度问题。在传统的蚁群算法的基础上自适应调整挥发系。

蚁群算法和其他原理相结合在机械优化设计中应用
摘 要:通常我们在机械结构优化设计中,常借助基本蚁群算法进行优化设计,虽然能使得到的结构能够达到预期的目标与要求。但是这种基本蚁群算法通过实践发。

改进蚁群算法在全终端网络可靠性优化问题上的应用
摘要:本文着重解决全终端网络成本优化问题,以达到最佳的寻优效果和寻优速度,基于泰国学者KanyapatWatcharasitthiwat在解决网。

论文大全