基于线性回归和属性集成的分类算法

对于高维度小样本数据的分类问题,高维属性的复杂性限制了分类模型预测的准确率。为了进一步提高准确率,提出了基于线性回归和属性集成的分类算法。首先,采用线性回归为每一个属性构建属性线性分类器(Attribute Linear Classifier,ALC);其次,为了避免因ALC数量过多而导致准确率下降,利用经验风险最小化策略中的经验损失值作为评估标准来优选ALC;最后,应用多数投票法来集成被筛选的ALC。采用高维度小样本的基因表达数据集进行实验,结果显示该算法具有比逻辑回归、支持向量机和随机森林算法更高的准确率。

基于文化遗传算法的QoS感知的服务组合

为了提高服务组合的效率,提出1种改进的基于文化遗传算法的QoS感知的服务组合方法。首先构建社会种群和信仰双层空间,然后利用接收函数从社会种群中提取种群进化学习到的知识并更新信仰空间,进而利用信仰空间来引导社会种群进化,加快算法的收敛性,提高组合效率。研究结果表明:与传统的文化遗传算法和经典的遗传算法相比,本文提出的算法收敛所需的迭代次数明显降低,执行效率和收敛速度均有所提高。