佳点集遗传覆盖算法

针对覆盖算法中识别精度与泛化能力之间的一对矛盾,结合佳点集遗传算法思想,提出佳点集遗传覆盖算法。通过在覆盖种群中引入竞争,淘汰不好的覆盖,保留较优的覆盖,减少了覆盖个数和拒识样本个数,从而提高了整体覆盖种群的分类能力。与Lib-SVM、领域覆盖、交叉覆盖的对比实验证明了该算法具有良好的分类识别精度与泛化能力。

信息素增量动态更新的改进蚁群算法

蚁群算法是一种优秀的拟生态启发式算法,具有较强的鲁棒性,易与其它拟生态算法结合等特点。不过,它也存在着容易陷入局部最优、收敛速度慢等问题。通过分析蚁群算法的运行机制,得出了蚁群算法易陷入局部最优、收敛速度慢等不足产生的原因,针对这些不足,通过修改基本蚁群算法中信息素的更新规则,使得每轮搜索后信息素的增量能更好地反映解的质量,以加快收敛;同时引进了路径信息素平滑机制以平衡路径上的信息量。对TSP问题的仿真实验结果表明,改进后的算法加快了收敛速度,提高了全局搜索能力。

基于集成学习的覆盖算法

介绍了传统的领域覆盖算法和交叉算法,并分析它们各自存在的缺点以及造成这些缺点的原因。针对传统的领域覆盖算法存在的泛化能力不足以及交叉覆盖算法存在的正确率不高的问题,提出了一种新的改进算法——基于集成学习的覆盖算法(CABE)。CABE是利用集成学习来整合交叉覆盖算法和领域覆盖算法,是通过对领域覆盖算法中的拒识样本的处理来提升算法的精度。使用UCI数据集进行实验,实验结果表明,改进的算法提高了算法分类的精度。