基于模拟退火-遗传算法优化随机森林模型联合多维度特征融合法在肺癌诊断中的应用

目的 提出一种模拟退火-遗传算法优化随机森林(Simulated Annealing Genetic Algorithm Optimized Random Forest Model,SAGA-RF)模型联合多维度特征融合法,为肺癌的诊断提供参考。方法 选取2019年1月1日至2022年4月30日于中国人民解放军东部战区总医院呼吸内科确诊的原发性肺癌患者477例及同期收治的非肺癌患者477例为研究对象,收集并整理临床医学、医学影像学、流行病学以及血液检验学特征,使用主成分分析对特征集进行降维处理,并建立SAGA-RF、反向传播(Back Propagation,BP)神经网络模型、支持向量机(Support Vector Machine,SVM)模型以及偏最小二乘判别分析(Partial Least Squares Discrimination Analysis,PLS-DA)模型对样本集进行训练和测试,比较不同模型的诊断效能。结果 SAGA-RF模型对样本识别准确度、灵敏度、特异性分别可达91.26%、93.71%以及88.81%;阳性预测值和阴性预测值分别可达到89.33%、93.38%;曲线下面积(Area Under Curve,AUC)为0.91(95%CI:0.88~0.95);SAGA-RF模型识别效果优于BP神经网络模型、SVM模型以及PLS-DA模型。结论 多维度特征融合联合SAGA-RF模型对肺癌诊断准确度、灵敏度、特异性、阳性预测值、阴性预测值以及AUC值均优于常规识别方法,可为肺癌的诊断提供参考。

基于自适应遗传算法的随机森林模型参数优化方法

随机森林模型多采用网格搜索的参数优化方法,存在搜索间隔固定、搜索效率低下的问题。为了克服以上缺陷,提出一种基于自适应遗传算法的随机森林模型参数优化方法,通过动态调节遗传操作的交叉、变异概率,在尽可能多保留优势粒子的同时更有效地产生新优势粒子,达到跳出局部最优并快速到达全局最优点的目的。利用提出的参数优化方法对随机森林算法中的决策树数目、最大树深度进行参数优化。使用Boston house price数据集仿真的结果表明,使用该参数优化方法优化后的随机森林模型的回归预测效果得到一定提高。

随机油价下油田产量构成优化模型的混合遗传算法求解

建立随机油价下油田产量构成优化模型,在此基础上将Powell方法作为一个与选择、交叉和变异平行的算子嵌入到标准遗传算法中,并利用模拟退火精确罚函数法处理约束条件,构成了遗传算法、Powell方法与模拟退火算法相结合的Powell遗传退火精确罚函数算法。结合实例分析,将算法应用到随机油价下油田产量构成优化模型中并得到了最优解。

基于自适应小生境遗传算法的混合交通网络设计双层规划模型

在现有的交通网络设计问题研究基础上,采用双层规划模型来描述混合网络设计问题,其中上层模型综合考虑网络阻抗、投资额以及CO的排放总量三方面因素,建立起以三者之和最小为目标的优化函数;下层模型为用户均衡模型。根据所建模型的特征,利用一种基于自适应方法和小生境技术的改进遗传算法进行求解。实例计算证明:此模型和算法是研究混合交通网络设计问题的有效方法。

一种改进自适应步长人工蜂群优化随机森林的滑坡风险性评价方法

融合群智能全局优化人工蜂群(artificial bee colony,ABC)算法与随机森林(random forest,RF)模型,提出一种改进自适应步长人工蜂群(improved adaptive step size artificial bee colony,IASSABC)算法优化RF模型的滑坡风险性评价方法。针对ABC算法存在的后期收敛速度慢与早熟的问题,融合全局最优解和领域半径参数的思想,发展了IASSABC算法并用于优化调整RF模型参数,以提升RF模型的泛化性能与抗过拟合能力,降低RF模型陷入局部最优解的风险。实际案例表明,本文方法兼具引入最优解的自适应步长人工蜂群(adaptive step size artificial bee colony,ASSABC)算法具有的强针对性与方向性优点,以及引入领域半径参数的改进人工蜂群(improved artificial bee colony,IABC)算法具有的全局参数最优解强搜索能力。相较于传统的ABC、ASSAB、IABC模型,IASSABC优化RF模型在滑坡风险性评价中具有更强的参数最优解搜索能力和更高的评价准确性。

基于自适应小生境混合遗传算法的说话人识别

为了解决传统高斯混合模型(Gaussian Mixture Model,GMM)对初值敏感,在实际训练中极易得到局部最优参数的问题,本文提出了一种GMM参数优化的新方法.将小生境技术与最大似然估计融入到遗传训练过程,形成了一种新的混合算法,缓解了遗传算法产生的“早熟”现象,提高了算法的局部搜索能力.采用自适应策略来控制交叉和变异算子,同时在适应度评价中融入了其他用户的区分性信息,提高了模型的分类精度,增强了GMM的泛化能力.实验表明,与传统和改进的两种方法相比,本文的方法都可以得到更优的模型参数,使得系统的识别率进一步提高.

含有随机和模糊参数的混合不确定库存模型及算法

本文对库存控制中的经典EOQ模型进行了拓展,考虑在模型中同时存在随机参数和模糊参数的情况,对不确定因素的实际意义做出合理的解释;在此基础上建立混合不确定规划模型,运用随机模拟和模糊模拟相结合的技术,设计了求解该模型的混合智能算法。

关于自适应高斯混合背景模型的更新算法的研究

采用自适应高斯混合方法为背景建模的难点是对背景模型的维持与更新。目前,背景模型的更新算法很多,但算法中各参数的取值通常是依据经验而定。本文对背景信号进行了分析,根据背景信号的特点,给出了背景更新算法中各参数值的选取方案,并提出了一种新的背景模型更新算法。

混合遗传算法及其在翼型气动多目标优化设计中的应用

把基于实数编码的自适应遗传算法 (SAGA)与可变容差法相结合 ,建立了数值优化设计中的混合遗传算法 (HGA) ,并将其与翼型的气动分析相结合进行跨声速翼型的单目标和多目标气动优化设计。与自适应遗传算法相比 ,混合遗传算法的优化质量略有改善 ,优化效率有明显的提高。优化结果表明混合遗传算法在翼型单目标和多目标气动优化设计中是十分有效的。

基于遗传算法的方形件订单组批与排样优化

由于订单组批和排样优化在个性化定制生产模式中至关重要,基于此,本文以减少原片板材用量为目标,构建了混合整数规划模型。通过编写算法来求解此模型,初始算法采用K-means聚类算法与遗传算法进行混合使用,通过K-means聚类算法将相似的item分类,然后以类别进行随机,建立遗传算法的初始种群,从而提高初始种群的适应度,在算法过程中按照指定规则按照染色体基因顺序放置,计算原片板材用量用以评估染色体适应度。结果如下:平均板材利用率为63%,平均板材使用数量为133块。之后提出贪婪策略优化算法,优化后的结果如下:平均板材利用率为85%,平均板材使用数量为97块。

基于云自适应粒子群优化算法和随机森林回归(CAPSO-RFR)的负载均衡预测

针对传统的云计算资源负载预测算法存在精度低和误差大的缺点,将云自适应粒子群算法应用于随机森林回归参数的选择,提出一种基于CAPSO-RFR的云计算资源均衡负载预测算法。研究结果表明,CAPSO-RFR可以有效提高云计算资源负载预测的精度,为云计算资源的规划、调度以及云计算平台的性能优化提供决策依据。

混合种群多样性自适应遗传操作的HMM训练模型

针对传统GA方法训练HMM模型所存在的对遗传控制参数具有较强的敏感性的问题:1)提出一种以混合遗传种群多样性为原则的BPD-AGA算法,该算法依据决定种群多样性的基因型和表现型来自适应地调整遗传参数,使整个遗传迭代过程能够在扩大遗传搜索空间的同时提高最优解的质量;2)提出了一种基于BPD-AGA的HMM训练模型,该模型一方面利用BPD-AGA的自适应选择操作,选择对混合种群多样性贡献最大的个体作为竞争优胜者;另一方面利用BPD-AGA的自适应交叉变异操作,在扩大算法搜索空间的同时保护对混合种群多样性贡献较大的个体,从而保证了HMM解个体的全局最优性;3)为了提高BPD-AGA训练的收敛速度,利用Baum-Welch算法从外部对BPD-AGA的收敛性进行了改善,提出了一个从外部和内部同时改善GA性能的BPD-AGA/Baum-Welch混合模型;4)给出了将所提出的模型和算法应用在交通视频车辆行驶状态判别中的实现过程.仿真实验验证了所提出模型和算法的有效性.

基于遗传算法的战略供应链集成研究

在战略供应链研究中,考虑供应链的三个主要阶段,采购、生产、配送和它们之间的相互作用,不同客户需求,设施配对关系,供应商优先权以及现有供应链设计模型的局限性,建立了混合整数非线性规划(MINLP)模型。为有效地解决这种大规模混合整数非线性规划模型的约束,采用自适应遗传算法(AGA)对该模型进行求解优化。实验结果表明,所提混合整数非线性规划模型能够有效解决战略供应链设计中的供应链协同优化问题,并能得到较优的供应链设计方案。

基于随机森林和自适应随机排序的昂贵多目标进化算法

针对昂贵约束多目标离散优化问题,提出一种基于随机森林和自适应随机排序的昂贵多目标进化算法(a random forest and adaptive stochastic ranking based multi-objective evolutionary algorithm,RFASRMOEA).为了提高代理模型对离散问题的近似精度,RFASRMOEA采用随机森林作为代理模型辅助进化算法进行搜索.同时,为提升综合性能,提出一种基于平衡适应度评估策略和自适应概率操作的自适应随机排序机制.具体地,平衡适应度评估策略利用种群迭代信息结合所设计的基于目标转移的多样性评估和基于余弦的收敛性评估,充分发掘种群个体潜力.而自适应概率操作通过动态调整随机排序机制的关注点,使得算法在前期探索更多可行域而后期迅速收敛于可行域,进而平衡约束条件的满足与目标函数优化之间的冲突.在测试问题上的实验结果表明,所提出算法在处理昂贵约束多目标离散优化问题时具有较高的竞争力.

基于长期气温模拟的混凝土坝变形预测混合模型

混凝土坝变形预测模型通常采用谐波函数模拟温度效应,但没有考虑不同年份坝体温度变化对混凝土坝变形的影响。针对此问题,利用有限元模型(FEM)计算水压分量,利用长期气温序列代替谐波函数计算温度分量。考虑混凝土坝变形过程的非线性特征,引入麻雀搜索算法(SSA)对随机森林回归(RFR)模型的参数进行优化,获取最优参数对混合模型进行训练,最终构建一种基于长期气温进行温度效应模拟的混凝土坝变形预测混合模型。结果表明,相较于RFR变形预测模型和基于统计学回归方法的变形预测模型,采用SSA优化RFR的变形预测混合模型具有更好的拟合效果和预测能力。

含有模糊和随机参数的混合机会约束规划模型

提出一类混合机会约束规划模型 ,该模型同时含有模糊和随机参数。运用随机模拟与模糊模拟相结合的技术 ,给出了求解该机会约束规划模型的遗传算法。通过对生产过程最优化决策的典型问题进行分析建模和数值求解 ,说明了该模型和算法的合理性和有效性。

基于RF-GA-SVM算法的施工升降机输入电压控制模型

针对在超高层建筑施工中施工升降机的驱动电机输入电压受多因素影响,导致其调节困难、能耗严重的问题,提出一种基于数据挖掘的RF-GA-SVM输入电压控制方法。首先,在实现控制电压多因素分析的基础上,基于随机森林(random forests,RF)算法进行了影响因素的重要度计算,确定各因素的影响权重值和样本约简集合,并通过ROC(接收者操作特征)曲线和AUC(ROC曲线下的面积)分析验证属性约简集的分类准确率;其次,采用基于遗传算法(genetic algorithm,GA)优化的支持向量机(support vector machine,SVM)算法,构建施工升降机输入电压控制模型;最后,利用施工升降机远程监控平台采集历史数据,对本研究提出的RF-GA-SVM输入电压控制模型进行训练和验证。实例验证结果表明:该模型检测样本的均方根误差(RMSE)为1.493,平均绝对误差(MAE)为0.899,平均绝对百分比误差(MAPE)为0.291%,决定系数(R2)为0.98,说明本方法可以有效选取影响因素,并根据影响因素和实际需求实现施工升降机输入电压的有效控制。

基于自适应GA-RF的用户流失预测研究

针对电信用户流失问题,文章提出一种自适应遗传算法优化随机森林的预测模型。首先对Kaggle平台提供的电信数据进行数据清洗、特征提取及无量纲化处理,然后运用SMOTE过采样以解决数据不平衡问题,对决策树、随机森林等模型预测的召回率、F1和AUC值进行对比。最后提出一种自适应遗传算法优化随机森林的电信用户流失预测模型。结果表明,自适应遗传算法优化的随机森林模型的预测性能优于单一分类模型。

基于自适应SVR-ELM混合近似模型的镁合金差温成形本构参数反求

为提高差温成形有限元模型的精度,提出自适应SVR-ELM混合近似模型和量子遗传算法相结合用于参数寻优的反求方法。基于镁合金差温成形有限元模型,建立Johnson-Cook本构模型关键参数与成形件温度之间的SVR-ELM混合近似模型,采用启发式算法求解混合模型权系数。基于自适应方法,利用优化过程中的局部解,更新样本库并重新拟合近似模型,通过改进的量子遗传算法寻优以实现镁合金AZ31B差温成形中本构参数的反求。与采用单一近似模型相比,自适应SVR-ELM混合模型精度更好,效率更高。以2011年国际板料成形数值模拟会议(NUMISHEET2011)中提出的十字杯形件差温成形为研究对象,利用该反求模型对本构参数进行反求,基于反求参数进行数值模拟,将获得的温度与试验数据值相比,温度误差为0.39%,说明反求方法有效。研究结果表明利用SVR-ELM获得的本构参数建立的有限元模型能更有效地对实际生产中成形件的缺陷进行预测。

混合自适应遗传算法优化多目标染色配方模型

从提高染色产品质量和效益的角度出发,综合考虑如染料浓度、温度、时间和助剂浓度等因素影响,构建了多目标染色工艺配方优化模型。针对传统遗传算法普遍存在的问题和缺陷,提出基于正交试验设计、自适应交叉操作及局部搜索等技术进行算法改进,并利用改进后的算法获得配方模型最优解的解决方法:。实践结果:证明,混合自适应遗传算法使种群更具有代表性和全面性,最大程度的继承了父代的优良特性,改善了算法的早熟现象并增强其寻优性能。最终以较少的计算量和较高的收敛速度对全局进行快速的搜索,比传统遗传算法得到的优化目标值降低了l0.8%左右。该方法:可推广应用于其他复杂过程的优化求解问题中。