基于萤火虫群优化算法的选择性集成霾天气预报方法_倪志伟.pdfVIP

基于萤火虫群优化算法的选择性集成霾天气预报方法 1,2 1,2 1,2 倪志伟 ,张琛 ,倪丽 1.合肥工业大学管理学院，合肥230009； 2.教育部过程优化与智能决策重点实验室，合肥230009 摘 要：选择性集成学习选择部分较优的个体分类器参与集成，能够获得比传统集成学 习更好的分类结果。已有的选择性集成学习计算复杂、性能低并且参数敏感，因此本文 提出了一种基于萤火虫群优化算法的选择性集成学习,在独立训练出多个个体支持向量 机之后，利用改进的萤火虫群优化算法选择部分精度高、差异度大的个体分类器进行集 成，与以往的基于优化算法的选择性集成算法相比，该算法避免了权重阈值这一参数敏 感问题。应用该方法进行中国灰霾天气预报，实验结果表明与传统灰霾天气预报方法相 比，本文方法具有更优的预报性能。 选择性集成学习(SelectiveEnsembleLearning，SEL)主要包括两个步骤:(1)个体 分类器的生成;(2)选择部分精度高、差异度大的个体分类器参与集成。本文也是按照这 两个步骤来安排的。 1、个体SVM的生成 支持向量机(SVM)在解决小样本、高维、非线性数据等方面具有显著的优势，在集 成中为了产生差异度较大的个体,本文采用基于样本和特征双重扰动的方法产生个体 SVM。 2基于萤火虫群优化算法的选择性集成学习 萤火虫群优化算法(GlowwormSwarm Optimization,GSO)是通过模拟自然界中萤火 虫的发光行为构造而成的群优化算法,离散型GSO算法(Discrete Glowworm Swarm Optimization，DGSO)能够解决离散型论域中的优化问题,而选择性集成学习的实质是 离散组合优化问题，因此结合DGSO的优点和选择性集成学习的特点,本文提出了一种基 于萤火虫群优化算法的选择性集成学习,该算法简单、易实现、鲁棒性强，为选择性集 成学习提供了新的思路，并且与以往基于优化算法的选择性集成算法相比,避免了权重 阈值的选择这一参数敏感问题。应用DGSO解决选择性集成问题的关键是解的构造、萤 火虫个体位置的更新(解的更新)、不可行解的处理、萤火虫个体间距离的度量以及适应 度函数的构造等。 1 2.1改进的相关技术 1)解的构造：解向量中每个元素分别赋值为0或1对应着该个体SVM是否被选择； 2)萤火虫个体位置的更新：忽略移动步长因子，按照一定概率更新解向量中的每一 维元素，从而达到整个解向量的更新，即萤火虫个体位置的更新； 3)不可行解的处理：由于是选择性集成，因此个体SVM全部被选取或者全部不被选 取均被视为不可行解，在此情况下进行解的随机更新； 4)萤火虫个体间的距离度量：采用汉明距离来度量； 5)适应度函数：集成泛化误差的倒数作为适应度函数。 2.2基于萤火虫群优化算法的选择性集成学习算法流程 输入：基于样本和特征双重扰动生成的 M 个个体支持向量机，验证集，DGSO 算 法的初始参数。 T 输出：加权投票法对结论进行合成 f(x) sign( f(x))   i i i1 算法流程： Step1：计算各个萤火虫的适应度函数值，并将适应度值转换为荧光素值； Step2：计算萤火虫个体间的汉明距离，每只萤火虫在其动态决策域半径内，选择 荧光素值比自己高的个体构成邻域集； Step3：计算萤火虫i 向邻域集中个体移动的概率，依概率大小采用轮盘法选择移动 对象； Step4：更新萤火虫个体位置； Step5：更新萤火虫个体动态决策域半径； Step6：当满足终止条件时(即达到最大迭代次数)算法终止，得到最优解（即参与 最终集成的个体分类器）。否则转入Step1；