正在加载图片...
第2期 刘胜,等:SVM性能的免疫鱼群多目标优化研究 ·145· 概念的多目标蚁群算法;Coello等人[4提出了多目 果常收敛至单个解,有时甚至出现整个群体都趋同 标粒子群算法,将Pareto支配关系与粒子群优化相 的现象.显然,无论该单个解是否为全局最优解或近 结合,改善了算法的搜索能力.其方法都挺不错,但 似最优解,均未实现多目标优化的目的.因此必须采 算法比较复杂。 取措施保持进化群体的多样性,避免未成熟收敛产 如何求解Pareto最优解集仍是关键问题,本文 生局部劣解,使优化结果呈现为一组不同的Pareto 将免疫原理中的浓度机制引入基本人工鱼群算法 最优解。 (artificial fish swarm algorithm,AFSA)中,改进了基 本文深入分析免疫算法)的机理特征,以下2 本鱼群算法,即免疫鱼群算法,并采用该算法来求取 条免疫机理特征尤其值得借鉴 训练速度和训练精度的Pareto近似解集. 1)产生多样抗体的能力:通过细胞的分裂和分 1SVM性能多目标优化方法 化作用,免疫系统可产生大量的抗体来抵御抗原,对 应于鱼群算法中个体的多样性,这种机制可提高鱼 1.1 Pareto最优解集 群算法的全局搜索能力而不陷于局部解. 本文采用直接对多个目标同时进行优化的方法 2)自我调节机制:免疫系统具有维持免疫平衡 来求解SVM性能的MOO问题,其关键是求解Pare 的机制,通过对抗体的抑制和促进作用能自我调节 to最优解集.求解SVM性能多目标优化问题的Pa 产生适当数量的必要抗体,对应于鱼群算法中个体 reto最优解集,如图1所示.其中,r反映训练精度指 浓度的抑制和促进.模拟这一功能可提高鱼群算法 标,t反映学习速度指标. 的局部搜索能力. t 基于以上免疫机理的特点,将免疫原理中的浓 度机制引入到基于多目标优化的鱼群算法的适应度 函数设计中,旨在改进算法的群体多样性.免疫鱼群 算法流程图如图2所示. 系统初始化 (参数、初始抗体代数G=1) 计算抗体浓度和 聚合适应度 图1SVM性能的多目标Pareto解集 Fig.1 Sketch map of multi-objective Pareto solution set of 计算当代群休的 抗体平均浓度 SVM performance 根据算法的具体应用场合,即针对训练速度和 从当代群体选出 G=G+1 Pareto.近似解集 训练精度的不同要求,从Pareto解集中选择耗时与 精度适宜的解.同时,可以通过Pareto解集中解的分 人工鱼按聚合适应度游动 (觅食、聚群或追尾) 布情况来判断单个目标的变化趋势,在选择最优解 时以某个目标较小的牺牲来换取另一个目标较大的 产生新的抗体 性能提升,使得总体效益最大化: 1.2免疫鱼群算法 抗体平均浓度稳定? 2002年李晓磊等提出了人工鱼群随机搜索优 G>截至代数? 化算法,简称鱼群算法[56].该方法根据实际鱼的运 动、聚集等行为构造人工鱼,通过觅食、聚群及追尾 输出最终进化的 Pareto近似解集 行为等改变自身的位置,经过一段时间后,各人工鱼 在各极值处聚集,再由各人工鱼局部寻优找到全局 图2改进的免疫鱼群算法流程图 最优值 Fig.2 Flow chart of improved immune fish swarm algorithm 基本鱼群算法容易丧失群体的多样性,优化结 图2中,“抗体平均浓度稳定”是指在进化过程中
<<向上翻页向下翻页>>
©2008-现在 cucdc.com 高等教育资讯网 版权所有