基于多准则链式智能体遗传算法用于特征选择.docVIP

基于多准则链式智能体遗传算法用于特征选择 　　摘要：针对简单遗传算法用于特征选择精度不高、过早收敛的问题，提出了一种新的遗传算法――链式智能体遗传算法（LAGA），并与多准则（MC）相结合，从而提出了基于多准则竞争策略的链式智能体遗传算法（??LAGA+MC）用于特征选择。LAGA引入了链式智能体结构，智能体相互进行竞争选择和自适应交叉，自身进行自适应变异，从而使得该算法能够获得更精确的搜索结果；MC通过对基于单准则进行选择得到的特征子集进行特征位判断，从而确定出最终特征子集，以达到更全面的评价选择结果，获得识别率更稳定的特征子集。实验结果表明，LAGA搜索精度更高，LAGA+MC获得的特征子集分类准确率更高、更稳定。 　　关键词：多准则； 遗传算法； 链式； 特征选择； 智能体 　　中图分类号：TP301文献标志码：A 　　文章编号：1001-3695(2008)05-1315-04 　　 　　0引言?? 　　 　　遗传算法是一种基于生物进化理论的全局优化搜索方法，它借用了生物遗传学的观点，通过自然选择、遗传、变异等作用机制实现各个个体的适应性的提高。特征选择是一类典型的组合优化问题。遗传算法用于特征选择有许多优于传统特征选择方法的特点，具有全局寻优能力，能搜索最优的特征组合。目前遗传算法在特征选择方面得到了广泛的应用，如文本识别、反映电力系统运行状态的特征变量选择、人脸识别特征选择、指纹识别特征选择、储粮害虫的形态特征提取等。?? 　　简单的遗传算法存在收敛速度慢、早熟收敛等缺陷，因此目前已经有很多文献报道了关于遗传算法的改进工作。文献[1]用自适应交叉变异的方法(AGA)，根据每代个体适应度的情况来自适应地改变交叉和变异概率，较 　　好地保持了进化种群的多样性。文献[2]的改进遗传算法采用基于海明距离的近亲交叉回避策略(HMGA)，提高了遗传操作的效率，加快了收敛速度；但它没有考虑自适应改变变异概率以及选择方面的改进，因此改进的效果是有限的。Zhong Wei－cai等人[3]针对超高维函数优化问题，提出了智能体遗传算法(MAGA)。其方法是将个体作为智能体设置在Lattice网格中，相邻的智能体进行竞争选择、交叉和变异。实验表明，该算法函数优化能力优于其他几个常用遗传算法，但它是十进制编码，未讨论其用于特征选择的研究，并且Lattice网格是否是最优的局部环境尚需进一步研究。?? 　　目前，关于遗传算法用于特征选择的研究工作也有较多的报道。任江涛等人[4]提出基于相关性分析的特征过滤方法，其主要思想是基于特定的相关性定义，逐个度量单个特征与类别标签的相关性，选出分类能力高的特征子集，在一定程度上消除与分类弱相关甚至无关的特征，实现降维。S.Doan等人[5]针对文本识别中的特征选择问题，提出了多评价准则，提高了算法的稳定性，但他未就遗传算法用于特征选择作进一步的研究和讨论。?? 　　本文在上述两方面工作的基础上，提出了一种新的遗传算法――链式竞争策略的智能体遗传算法，并将其与多评价准则相结合，共同完成特征选择，即LAGA+MC。LAGA引入了链式智能体结构，智能体邻域降为两个智能体，减小了计算代价，并减小了局部极值过渡扩散的可能性；同时引入了自适应交叉和变异操作，加快了搜索速度和精度。MC是基于多个评价准则来评价搜索结果的好坏，评价更全面。?? 　　 　　1算法原理分析?? 　　 　　基于遗传算法的特征选择主要分为以下三个方面：搜索策略、评价准则和终止条件。本文从三个方面考虑：引入了链式竞争策略，加快收敛速度；提出了多评价准则，从多个方面评价选择结果的优劣；设定了自适应停止条件，能得到较稳定的搜索结果。?? 　　1．1链式竞争策略的智能体遗传算法?? 　　1．1．1链式智能体结构?? 　　在本文中，一个智能体就表示一个个体L????1,i，所有智能体均被放在一个规模为1×popsize的循环链上，每个个体占一个格点，且位置不能移动。由于智能体只有局部感知能力，它只能与周围的智能体发生相互作用，这就构成了如图1 所示的循环链式结构。 　　 　　2实验结果与分析?? 　　 　　为了验证本文算法的性能，笔者进行了基于MATLAB的实验。实验分为两部分：a)通过与SGA、AGA、HMGA、MAGA比较，验证LAGA对函数优化的能力；b)通过与SGA、AGA、HMGA比较，验证基于准则θ??1的LAGA及LAGA+MC的特征选择能力。?? 　　实验平台：基于Windows XP操作系统；CPU：2．66 GHz；内存：512 MB。?? 　　2．1比较LAGA与其他算法的函数优化能力?? 　　 　　平均最小值(MIN)，评估50次后的统计平均最小值；b)最优解出现平均代数(