基于SHO-SA算法的案例推理预测模型特征权重优化

针对案例推理(case-based reasoning, CBR)检索过程中特征权重的分配结果直接影响CBR预测模型性能的问题,提出了一种基于自私牧群优化-模拟退火(selfish herd optimizer-simulated annealing, SHO-SA)算法的特征权重优化分配方法.首先,将CBR预测模型的均方根误差定义为SHO算法和SA算法中权重寻优的适应度;然后,通过SHO算法的牧群运动、捕食及恢复等步骤得到种群内最小均方根误差所对应的权重;最后,采用SA算法对上述权重进行随机搜索,从而获得特征权重的近似最优解.采用加州大学欧文分校(University of California Irvine, UCI)数据集中的5个标准回归数据集进行实验,结果表明该方法与一些典型的优化方法相比可以显著提高CBR预测模型的精度,说明SA算法能够改善SHO算法陷入局部最优的问题.