面向特征选择任务的改进蜣螂优化算法

蜣螂优化算法是一种基于蜣螂不同行为模式的新型启发式算法,与其他算法相比的收敛速度更快,逃脱局部最优的能力更强。针对蜣螂优化算法不能进行特征选择的问题,在蜣螂优化算法的基础上提出了蜣螂灰狼融合算法。该算法基于3种改进策略:精英初始化种群策略、灰狼蜣螂融合策略、运行加速策略,进一步提高蜣螂优化算法在特征选择任务上的性能,并给出了算法整体的伪代码。实验结果表明,比较其他改进型启发式算法,蜣螂灰狼融合优化算法在12个分类数据集中能够得到更高精度、更低维度的特征子集,同时兼备收敛速度、运行速度更快的优点。

算法偏见背后的数据选择、信息过滤与协同治理

算法驱动的人类智能系统与人工智能系统交互中,数据选择与信息过滤是不容忽视的关键环节,一方面与算法运行的不透明性有关,另一方面也受到人机协同的信息过滤影响。算法偏见已经造成了现实生活中信息圈层之间的分化,并可能延续甚至加剧社会发展多个方面的失衡。因此,有必要审慎地看待算法偏见的影响要素,透视技术本身及其应用过程中的潜在风险和问题,从而为应对人工智能嵌入社会系统过程中所带来的阶段性偏见提供思路。

应对过滤气泡:算法策展对用户信息消费行为选择性和态度极端化的影响

[目的/意义]“过滤气泡”是个性化推荐算法仅向用户推荐他们所认同、感兴趣的信息而造成的不利结果,体现为信息消费行为的选择性及个体态度的极端化。本研究旨在探索不同信息排序方式对于过滤气泡的干预效果。[方法/过程]共招募38位参与者访问模拟新闻推荐系统,并将其划分到不同信息排序方式的组别中,通过服务器日志观测参与者的新闻点击与阅读行为,使用量表测量其态度极端性变化情况。[结果/结论]信息排序方式不会影响用户的新闻标题点击行为的选择性,但会影响其新闻文章阅读行为的选择性及态度极端性变化:相较于基于偏好的排序方式,基于时间与基于质量的排序方式均会显著降低用户阅读行为的选择性,同时基于质量的排序方式还显著降低了用户的态度极端性。本研究不仅为过滤气泡研究提供了新的研究视角与有效的方法论,还为个性化推荐算法设计提供了实践启示。

向量角选择和指标删除的高维多目标进化算法

针对进化算法求解高维多目标优化问题平衡收敛性和多样性所面临的挑战,提出了向量角选择和指标删除的高维多目标进化算法(MOEA/AS-ID)。该算法在环境选择过程中设计了一种包含两种策略的协作机制逐一删除收敛性和多样性差的解以保留精英个体参与下一代的进化。前者基于向量角的选择策略用于选择一对在目标空间具有相似搜索方向的解,后者基于指标的删除策略采用同时兼顾个体收敛性和分布性的I_(SDE)^(+)指标比较被选择的这一对解,然后删除具有较小指标值的解,进而促使种群朝各个方向收敛到帕累托最优前沿,最终平衡解集的收敛性和多样性。在包含各种特征的3组标准测试系列问题DTLZ、SDTLZ、MaF上,MOEA/AS-ID与近年提出的6个涵盖了当前各种类型的高维多目标进化算法执行了广泛的对比仿真实验和数值结果分析。仿真结果和数值分析表明所提算法MOEA/AS-ID求解各种特征的高维多目标优化问题平衡收敛性和多样性的能力具有较强的竞争力。

基于互信息与萤火虫算法的网络入侵特征选择

为减少网络入侵检测数据中的冗余特征,提出一种结合互信息和萤火虫算法的特征选择方法。针对互信息不能精确计算特征间冗余度,提出类内特征冗余互信息特征选择方法。针对萤火虫算法步长因子固定易使算法陷入局部最优等问题,提出自适应步长萤火虫算法特征选择。以上方法分别选取特征子集后利用投票策略选取最优子集,对该子集基于C4.5和贝叶斯网络分类器分类。实验结果表明,使用10个特征检测能有效提高入侵检测率、误报率和F-measure,同时还缩短训练和检测时间。此外,与现有的几种方法相比,该方法在准确率、检测率和F-measure都获得不错效果。

改进麻雀搜索算法的入侵检测特征选择

针对网络入侵检测所处理数据存在特征维数高、检测效率低、准确率不高的问题,提出一种改进麻雀搜索算法的特征选择方法,旨在减少特征冗余的同时提高分类准确率。利用改进Circle映射初始化种群;结合秃鹰搜索算法中的螺旋搜索方式更新发现者位置;采用单纯形法和小孔成像法优化适应度较差和最优麻雀的位置,提升算法的寻优能力。将该算法与其它算法在6个经典基准函数上进行对比测试,其在收敛速度、精度等方面均有提升。使用数据集CIC-IDS2017进行特征选择实验,平均保留了7.6个特征,准确率达到了99.5%,结果表明,该算法可以在保证准确率的同时有效降低特征维度。

无蜂窝大规模MIMO系统接入点动态选择算法

在无蜂窝大规模多输入多输出(Multiple-Input Multiple-Output,MIMO)系统中,所有接入点(Access Point,AP)为用户提供服务的方式会造成较大的功率消耗和增加前传链路压力。以“用户为中心”的AP选择方案为每个用户选择最佳的AP集合,使系统频谱效率和能量效率得以提升。为了给每个用户选择最佳的AP集合,提出了一种基于反向传播(Back Propagation,BP)神经网络的接入点动态选择算法。将AP与用户之间的大尺度衰落向量作为输入,AP与用户之间的连接关系作为BP神经网络输出的预测向量,同时,针对BP神经网络初始化权值,提出了一种改进的自适应遗传算法以提高算法的收敛速度和收敛性能。仿真结果表明,改进后的BP神经网络预测结果更接近于实际值,并且比全连接和启发式的AP选择方案具有更高的系统和速率。

基于邻域互信息的组合预测最优子集选择算法

为在候选模型集中高效地选择时间序列组合预测的最优子集,提出一种CSPSO-NMI-MRMR最优子集选择算法。利用邻域互信息(neighborhood mutual information, NMI)度量相关性和冗余度,避免数值型数据的离散化,按最大相关最小冗余原则(minimal redundancy and maximal relevance, MRMR)筛选最优子集;邻域互信息中的邻域参数与子集选择效果密切相关,采用CSPSO算法寻找最优邻域参数,充分利用布谷鸟算法(cuckoo search, CS)和粒子群优化算法(particle swarm optimization, PSO)的优势,兼顾搜索效率和全局搜索能力;在寻参过程中设计一种淘汰策略,优化邻域参数的寻优区间并淘汰部分单模型,减少计算量。仿真结果表明,所提方法在预测精度、运行时间和稳健性上效果更优。

求解函数优化和特征选择的改进金豺狼优化算法

针对基本金豺狼优化算法(Golden Jackal Optimization,GJO)在解决高维优化问题时存在计算精度低、开发能力弱、容易陷入局部最优的缺点,提出一种改进GJO算法(I-GJO)。在改进算法中,设计一种基于正弦函数的非线性能量因子替代原随机递减能量因子,以平衡算法在搜索过程中的全局探索和局部开发能力。在算法迭代后期引入翻筋斗学习策略,从而扩大群体搜索范围和改善解的精度。为了验证I-GJO算法的有效性,选取6个基准函数优化问题进行数值实验,并与灰狼优化、海鸥优化算法和基本GJO算法比较。结果表明,I-GJO获得较高的精度和较快的收敛速度。最后利用I-GJO算法求解特征选择问题,对16个基准数据集的数值结果显示,改进算法能有效去除冗余特征和提高分类精度。

基于高置信度伪标签数据选择算法的临床事件抽取方法

【目的】事件抽取是构建高质量事件知识图谱的前提。临床事件抽取过程中事件元素存在依赖关系,现有方法无法准确识别事件元素并组合为事件,且现有临床事件标记数据较少,给事件抽取任务带来了极大的挑战。【方法】将临床事件抽取建模为实体识别模型,提出一种融合多特征的中文医学事件抽取方法:BERT-MCRF.该方法使用BERT构建模型的嵌入和特征提取部分,在CRF层加入多个字的滑动窗口特征,然后将BERT-MCRF作为半监督实验的基实验,提出一种高置信度伪标签数据选择算法作为筛选数据的条件,得到较高质量的300条数据与原始数据合并,最终构建了1700条语料,并重新训练模型。【结果】BERT-MCRF模型在3种属性实体上的整体F1值达到80.21%,比经典的BiLSTM-CRF模型提升15.11%;通过半监督思路重新训练的模型最终F1值达到81.56%,较原始BERT-MCRF提升了1.35%.

一种用于运动想象脑电信号的混合特征选择算法

针对过滤式特征选择算法精度不高和包裹式特征选择算法训练时间长的缺点,提出一种融合信息增益(IG)和自适应遗传算法(AGA)的混合特征选择算法.用滤波器组公共空间模式提取运动想象脑电信号特征,计算每个特征的IG并排序,根据排序用阈值法剔除部分无用特征,用AGA在剩余特征中搜索出最优特征子集.用2个公共数据集验证所提出算法的有效性,取得81.24%±15.04%的平均分类准确率,平均用时3.68 s.所提出算法的分类准确率大于过滤式算法,训练时长短于包裹式算法.

面向高维不平衡医学数据的特征选择算法

基于传统机器学习分类算法对影像组学的高维不平衡数据分类结果不理想的问题,本文提出一种改进海洋捕食者的不平衡特征选择算法.首先,对海洋捕食者算法MPA算法进行改进,引入精英反向矩阵增加算法迭代后期的种群多样性,引入新的CF参数改善算法的收敛速度与精度,同时合理分配原始参数分布和取值来满足算法在不同阶段的搜索需求;接着针对不平衡数据引入新的目标函数来帮助MPA算法收敛到更优的特征子集.最后,基于G-means的精英反向海洋捕食者算法GEMPA算法在14个基础测试函数上进行测试并在12个公开数据集上与MPA,基于K个最近邻相关性的在线特征选择算法K-OFSD以及其余的6种元启发式算法GA、PSO、CSO、SSA、SCA和MFO对比分析.以平均F-measure值,平均特征数量,平均运行时间为评估指标,通过实验可知GEMPA算法能够快速搜索到分类精度最高的特征子集,降低高维数据的冗余度,针对改善高维不平衡数据分类问题有很好的发展潜力.

用于入侵检测特征选择的改进灰狼优化算法

针对标准GWO收敛精度低、易早收敛等问题,提出了一种改进灰狼优化算法GPGWO。首先为了使狼群均匀分布在搜索空间中,结合拉丁超立方体抽样与反向学习来初始化种群位置;然后增加迭代计算过程中狼群的多样性,将灰狼分成不同类型个体,使用不同的位置更新策略;最后对α狼进行随机Levy飞行游走,迫使其离开原本位置。将GPGWO与3种改进GWO算法在广泛使用的10个基准函数上进行比较,仿真结果表明,GPGWO在寻优方面具有一定的优势。随后把GPGWO应用在入侵检测特征选择场景中,通过与不同的分类器相结合形成特征选择算法,实现对高维数据集的降维处理,通过对入侵检测数据集的实验证明,该算法能够保留最优的特征子集,仅用部分特征就能获得最佳的检测效果。

基于最大差异选择算法的代表性海况选取

数值模拟及物理模型试验是研究近岸波浪的重要方法。在实施数值模拟和物理模型试验前,需要根据近岸波浪特征确定入射波浪要素。近岸波浪往往是由混合浪主导的,包含多个独立的波浪系统,每个波系都需用多个波浪特征参数进行描述,因此实现多波浪系统的代表性海况的选取具有重要意义。首先介绍了数据挖掘算法,随后根据汉班托塔港的实测波浪数据,运用最大差异选择算法(MDA)分别选取了二维、三维以及多维特征参数描述下的代表性波浪条件。结果表明,对于可进行人为筛选的二维波浪特征参数,MDA算法的筛选结果优于人工筛选结果。在三维及多维波浪特征参数条件下,MDA算法选取的代表性海况在数据空间上分布均匀,具有较高的代表性,证实了MDA算法适用于选取混合海况下的代表性波浪特征参数。

机会约束的多选择背包问题的遗传算法求解

机会约束的多选择背包问题(CCMCKP)是一类具有重要应用价值的NP难组合优化问题,但目前还缺乏关于该问题求解方法的专门研究。为此,提出首个CCMCKP的求解框架,并基于该框架构建了两种求解方法:基于动态规划的RA-DP和基于遗传算法的RA-IGA。RA-DP是精确求解方法,具有最优性保证,但是在可接受的时间(1 h)内仅能求解小规模问题样例;相较而言,RA-IGA是近似求解方法,具有更好的可扩放性。仿真实验结果验证了所提求解方法的性能:在小规模问题样例上,RA-DP和RA-IGA都可以找到最优解;在中大规模问题样例上,RA-IGA表现出了比RA-DP显著更高的求解效率,它总是可以在给定时间(1 h)内快速获得可行解。在CCMCKP的后续研究中,RA-DP和RA-IGA可作为基准对比方法,而实验工作中所构建的测试样例集可作为该问题的标准测试集。

一种基于蝙蝠算法的NDN网络路径选择方法

针对命名数据网络(named data networking,NDN)路径选择过程中传输速度慢的问题,采用蝙蝠算法优化NDN网络的路径选择。为了证明蝙蝠算法在路径选择上的优势,将蝙蝠算法、遗传算法和粒子群算法进行对比,得出蝙蝠算法求得最优解的概率更高、收敛速度更快,为此提出了一种基于蝙蝠算法的NDN网络路径选择(bat algorithm-path selection in NDN,BA-PSNDN)方法。对传输过程中的节点进行实时更新并计算,通过迭代选出最优路径进行数据传输。使用ndnSIM2.7软件进行仿真,通过在兴趣包和数据包中加入自定义段,保存数据包传输过程中的信息并进行路径选择,仿真出最优路径后输出时延信息。结果表明,BA-PSNDN方法在减少网络传输时延方面更优。

基于定向变异策略的改进克隆选择算法

本文针对克隆选择算法(CSA)存在的问题,如搜索速度慢、收敛精度低、容易陷入局部最优,提出一种基于定向变异的改进克隆选择算法(DMSCSA).该算法引入Halton序列来生成均匀分布的初始化种群,实现对解空间更高效的搜索;采用黄金正弦变异策略在迭代过程中对优秀抗体定向变异,提升算法收敛速度;引入柯西变异策略,能够在保证种群多样性的前提下提高算法跳出局部最优的能力.使用CEC2019测试函数集中的8个不同的测试函数并与其他同类型算法进行对比实验,通过实验结果可知,DMSCSA算法在寻优精度、收敛速度等方面均有提升.

基于改进克隆选择算法的电力物资仓储布局规划系统设计

为了实现对电力物资仓储的布局优化,采用Apriori算法构建电力物资仓储优化模型,在克隆选择模型的基础上,加入疫苗接种策略,构建改进克隆选择模型。测试结果显示,在Sphere函数和Ackley函数上,改进克隆选择算法经过400次迭代后趋于收敛,适应度值为10^(-75)和10^(-17)。对F函数进行求解,改进克隆选择算法取得最优解1.03,平均解1.12,平均优化效率8.20%,标准方差0.07,优化效率提升了14.15%。在对物资进行分类中,改进克隆选择算法准确率分别为94.5%和89.6%。在不同种类的物资出入库中,改进克隆选择算法的最小化出入库时间分别为8.5s、12.7s、20.9s和37.2s。改进克隆选择算法优化了仓储的布局,提升了电力物资配送的效率。

基于神经网络算法的电信客户选择预测模型研究

当前,机器学习广泛应用于多个领域,大数据作为机器学习的原材料,也成为重要资源。电信行业积累了海量优质数据,立足电信企业一线工作需求,将机器学习技术与大数据统计思维、应用相结合,能够实现大数据赋能通信产业,以科技引领产业转型升级。基于某电信运营商数据和Python平台构建神经网络,可以实现客户行为预测模型。该预测模型在输入数据维度、实际样本量、参数量、最终预测准确率等方面出现明显提升,在实践中能够产生较大的商业价值和效益。

基于方差特征选择与3DES加密算法的医院信息数据安全防御系统设计

常规的医院信息数据安全防护主要采用信息属性特征融合分类的方法进行安全防护,忽略了信息存储逻辑节点拓扑结构造成的安全影响,导致安全防护攻击成功概率较高;因此,引入方差特征选择与3DES加密算法,研究医院信息数据安全防御系统;提出采用机器学习中的改进方差特征法对医院信息系统进行优化设计;在硬件设计部分,对医院信息数据安全防御系统终端、控制终端与人机接口和接口数据传输模块进行设计;在医院信息数据安全防御方案设计中,采用方差特征选择方法对医院信息进行过滤和归一化处理完成数据更新;采用3DES加密算法,建立信息的模糊判断矩阵,完成医院信息数据安全防御系统设计;经过实验测试设计的系统可有效降低各种攻击的成功概率,平均攻击成功率仅为2.33%,并且数据完整度达到了99.999%,安全性较高,有效保障医院信息安全,避免医院信息的泄露或故障。