刘明姬[1]2004年在《改进的遗传机器学习系统及其应用》文中指出遗传算法是一种借鉴生物界自然选择和进化机制发展起来的高度并行的随机自适应搜索算法，是由美国的Holland教授首次提出的。近年来众多研究者不断的对其进行改进和发展，并将其广泛应用于那些难以用传统方法进行求解的复杂问题，如组合优化、模式识别、图像处理、数值优化等。 遗传算法采用简单的编码来表示各种不同问题的复杂结构，对解群体的选择、交叉、变异等遗传操作不依赖于所解的问题，而是简单的按照优胜劣汰的自然选择规律确定搜索方向，是一种有向的随机搜索。从而特别适用于大规模并行处理，具有不受搜索空间条件(如可微、单峰、连续等)的约束及不需要其它辅助信息的特点。这些特点使得遗传算法不仅能获得较高的效率，而且具有简单性，易操作性，全局最优性，隐并行性，鲁棒性及通用性。但是它也存在着收敛速度慢，收敛过程中稳定性差，可控性差和早熟收敛等缺陷。 基于遗传算法的机器学习是将遗传算法与机器学习系统相结合的产物，是当前遗传算法研究的一个重要方面。其中最引人注目的是对分类器系统的研究。竞争的信度分配和以遗传算法为核心的规则发现构成了基于分类器的遗传机器学习系统。1986年Holland等实现了第一个基于遗传算法和桶队列算法反馈机制的分类器系统。 本文将遗传算法与机器学习基本思想相结合，在分类器学习系统的基础上，对遗传机器学习系统进行了一些重要的局部改进，提出改进的遗传机器学习系统。 (1) 增强因子的引入。在信度分配中，对获胜分类器进行奖励，保证了最优个体的存在性，增强了算法的局部搜索能力，使种群向着最优解不断进化. (2)排挤因子的引入.在规则与消息系统和遗传算法过程中均引入了排挤因子.每次机器学习后用最优环境消息替换规则集中最差个体;每次遗传算法后，用交叉操作产生的较优子代替换原种群中与其最相似的最差个体. 排挤因子的引入解决了选择压力与种群多样性的矛盾，不但保证了最优个体的存在性，还没有破坏种群的多样性. (3)合并因子的引入.每次遗传机器学习后对相似分类器进行合并，最终权值取所有相似分类器的平均值.这样防止超级个体的产生，避免了搜索带逐渐变窄而产生的过早收敛，并维持了原来的算法搜索空间. (4)改进系统中对于信度分配的具体计算: 假定一个分类器c在t时刻的权值为S(c，约，投标系数为几记，有效投标中随机噪声为N(a。、)，投标税系数为几idta二，存活税系数为q价。二，进行投标未进行投标 1上n︶了!l，、esesL投标控制参数b’二旧优胜者为?n，新胜者为m+1，对优胜者的奖励为侧，收入为州约，且州约二及《二，t) 那么我们就能够得到 分类器C的投标值为B乞d(C，t)=e。:以·S(C，亡)有效投标值为EB:己=B:d+N(a。、。)税值为Tax=Cl:了。乙a二·S+几:己亡a二·b‘·S候选分类器C参加投标一条消息后，它的权值为S(C，t+l)=S(C，亡)一B乞d(C，t)一T(C，t)+R(亡)有效投标最大者为当前优胜者，其权值为S(。+l，亡+1)=S(。+l，亡)一B:d(m+1，亡)一T(m+1，t)+R(艺)+R‘ 定理1.1当分类器的回报趋于稳定时，投标值接近于回报值. 定理表明在分类器系统中，规则的权值是否处于稳定状态，对遗传算法的学习过程很大影响. 经实践我们发现如此将遗传算法与机器学习相结合是非常有效的.机器学习对一些函数关系很明确的数据收敛速度很快，而对于一些函数关系不是很确定的例子来说其表现就不是很理想了，机器学习会产出摆动，不够精确，甚至陷入局部极小;而此时遗传算法就会表现出其优势，遗传算法根据要求建立一个规则重组机制，并且根据这个机制来对规则进行重组，产生新的，可能性能更好的规则，并淘汰不好的规则，跳出局部极小的圈子，扩大搜索范围，加速向最优解逼近.这样两种保证收敛的算法相结合，更加保证了整个算法的收敛性，加速算法收敛速度，是很有效的组合. 对于本改进的遗传机器学习系统，将遗传算法与机器学习有效的结合起来，并辅以改进因子，令二者交替进行，在程序运行的前期，由于要求的相似度较低，分类器投标活跃，机器学习占主导地位;而在后期，机器学习到了一定程度，遗传算法就相应的占了主导.这样更加保证了算法的稳定性，收敛性，全局搜索性，克服了非成熟收敛等弊病.改进算法不要求所要解决问题目标函数的连续性，凸性，光滑性等，特别适用于维数高，总体大，环境复杂，问题结构不十分清楚的情况. 最后我仃J将改进的遗传机器学习系统应用于模式识别和多目标优化问题，分别针对疾病的诊断模型和投资的收益与风险模型，给出了具体的算例. (一)改进的遗传机器学习系统在模式识别中的应用. 改进的遗传机器学习系统具有强大的学习功能，是解决模式识别问题的有效工具.用它来解决医学诊断中的数据优化问题一一用最少的诊断数据得出较为正确的结论，使医学诊断能够更加科学、经济和便捷. 这里以乳腺癌病例诊断为例，由病人的表征输入，产生最可能的疾病状态，实现自动医学诊断. 我们依据已确诊病例信息的编?
常征[2]2004年在《具有学习能力的免疫遗传算法在车间调度中的应用》文中进行了进一步梳理随着市场经济的发展,市场竞争日趋激烈,多工序、小批量的生产任务也成了生产厂家抢占市场的重点,这样以来,就要求厂家能够合理安排工序,合理利用资源,减少工期,降低生产成本。因此,车间调度问题越来越受到人们的关注。 车间调度问题属于NP-hard问题,是典型优化问题中最难求解的问题。遗传算法以其通用性强,算法简单等特点,被广泛应用到车间调度问题的优化中。但是,正是由于其通用性强,而导致其灵活性差,由于算法简单,尽管能够保证全局收敛性,但不可避免出现局部退化现象。解决制约遗传算法在车间调度中应用的瓶颈问题,是当今许多专家学者研究的主要课题。 本文把机器学习原理应用到免疫遗传算法中,利用机器学习的记忆和存储功能,建立具有较高平均适值的初始种群,并通过学习功能实时地从当前最优个体中提取疫苗,以保证疫苗的先进性,从而使进化过程沿着较优的方向发展。 本文将静态繁殖理论和目前较为先进的基于工序编码方式引入到算法中,使算法性能有了大幅度提高。 利用SQL Server 2000平台搭建知识库,把优化过程和优化结果分类存储,以指导后续计算,并能够使检索效率提高。 优化了适值函数,采用超越函数,使具有较高适值的个体具有很高的被选择概率,使具有较低适值地个体被选择概率很低,从而提高算法的整体性能。 目前,该算法成功应用到“车间管理系统优化平台”中,已经在实际生产车间调度应用中试运行成功。
刘明姬, 刘淑媛, 吕显瑞[3]2006年在《求解多目标优化问题的改进遗传机器学习方法》文中认为将遗传算法与机器学习相结合,在分类器系统的基础上,引入增强因子、排挤因子、合并因子等改进因子,完善信度分配机制,提出了改进的遗传机器学习方法.并将算法应用于投资的收益与风险双目标优化模型,数值结果表明,改进算法能够寻求到数量更多、分布更广的Pareto最优解,并且具有较好的稳定性,避免了非成熟收敛.
陈曦[4]2007年在《改进的遗传算法及其在模具优化设计中的应用》文中提出遗传算法(Genetic Algorithm)是一种借鉴生物界自然选择和进化机制发展起来的高度并行、随机、自适应的全局优化概率搜索算法。其优势在于能够高效处理传统优化算法难以解决的复杂的非线性问题。由于其简单易行，不受搜索空间的限制性假设的约束，具有隐含并行性以及较强的鲁棒性和全局搜索能力，已被广泛应用于函数优化、机器学习、自适应控制系统等众多领域。模具优化设计理论与方法是当前国际上一个前沿课题以及人们热衷的研究领域。由于优化过程中，目标和约束函数基本上是设计变量的隐函数，使得灵敏度分析和函数计算变得十分困难，因此，研究模具设计的高性能优化方法，在保证找到最优解的同时，提高计算效率至关重要。本文的主要工作是研究遗传算法的改进，并将其应用到模具优化设计中。首先，概述了模具优化设计和遗传算法的历史及发展现状，介绍了遗传算法的特点及应用，简述了其基本原理以及技术实现。其次，提出一种基于物种方程和Kriging算子的多种群遗传算法。该算法中，令物种方程中的参数作为个体的设计变量进行实数编码，方程的稳态解作为一种修正的算术交叉算子参与遗传操作，增加个体多样性；加入Kriging算子，根据所有个体的信息模拟出最优解，以提高全局搜索能力及计算效率；采用移民策略，增加种群间的信息交流，加快各种群向最优解收敛。大量的数值算例表明了改进算法的高效性和适用性。最后，将改进的遗传算法与注塑模流动数值模拟程序Z-MOLD相结合，对变厚度板和手机壳上面板浇口位置进行了优化设计，结果表明了本算法对模具优化设计中单浇口位置优化是有效的，对模具的优化技术和制造水平的提高起到积极作用。
肖燕彩[5]2008年在《支持向量机在变压器状态评估中的应用研究》文中提出变压器是电力系统和电气化铁路牵引供电系统的重要设备,其安全可靠性对电力系统和铁路的安全运营影响重大。变压器的状态评估是实现其状态维修的基础。支持向量机很好地执行了统计学习理论的结构风险最小化原则,在小样本情况下具有较好的泛化能力,避免了陷入局部极小值,解决了故障诊断领域面临的典型故障样本严重不足的主要难题,逐渐成为智能诊断的有力工具。支持向量机的研究虽已取得了一定进展,但如何将这些研究成果应用到对电力系统和电气化铁路供电系统具有重大影响的变压器的状态评估中去,还是一个新颖的、富有挑战性的课题。论文围绕支持向量机在变压器故障诊断、故障预测和运行状态评估中的应用进行了研究,作了一些有意义的工作,具体内容包括以下几个方面:1.用支持向量机的多分类方法对基于油中溶解气体的变压器故障诊断进行了研究。主要使用了两种典型的多分类算法即一对一的分类方法和M-ary分类方法,提出了一种改进的M-ary支持向量机模型,通过该模型的具体应用证明了算法的正确性和有效性;并且对支持向量机中的参数选择问题进行了研究,使用改进的遗传算法求解了支持向量机中的参数,实验表明,与基本遗传算法相比,该方法能够在较大范围内准确地找到相应的优化参数,并能有效地进行变压器的故障诊断。2.研究了支持向量机的回归方法在变压器故障预测中的应用。首先引入最小二乘支持向量机(LS-SVM)作为预测器进行了变压器油中气体体积分数的预测,分析研究了LS-SVM模型的适应性和用不同数据建立的LS-SVM模型参数的变化情况;然后对灰色模型进行优选,引入了灰色多变量模型,提出了改进的离散灰色模型和改进的灰色多变量模型,进一步提高了预测精度;最后提出了一种以LS-SVM作为组合器的优选灰色、LS-SVM组合预测模型,该模型综合考虑了优选灰色模型及LS-SVM的特点;应用实例分析表明了所提模型的有效性和优越性。3.研究了支持向量机在变压器运行状态评估中的应用。针对目前的变压器运行状态评估模型主要采用模糊综合评价的方法,提出了基于评分法的模糊综合支持向量机模型,该方法使用模糊综合评价结果作为支持向量机的输入,综合考虑了各结果之间的非线性关系,判断准确率有所提高;为了减少运行状态评估中的人为因素,消除伪特征的干扰,提出了基于成分分析和支持向量机的变压器运行状态评估模型,对比研究了PCA、KPCA、ICA和PCA+ICA共4种特征提取方式,说明了在运行状态评估问题中进行数据预处理有利于分类算法的实现,KPCA为变压器的运行状态评估提供了一种有效可行的数据预处理方式;为了进一步提高评估的正判率,获得更加稳定的评估效果,本文还提出了改进的KPCA+SVM评估模型,采用了混合核函数和并行优化策略,变压器的运行评估实例分析证明了改进算法的有效性。
李守巨[6]2004年在《基于计算智能的岩土力学模型参数反演方法及其工程应用》文中研究表明最优估计的岩土力学模型参数是通过比较现场观测到的信息数据与理论模型得到的模型数据的差异而得到的。通过定义目标函数,将参数识别反问题转化为优化问题处理。随着计算机智能计算方法的不断进步和现场观测手段以及观测精度的不断提高,根据现场观测数据进行岩土力学模型参数反演具有良好的应用前景,根据反演的岩土力学模型参数进行反馈设计,可以不断完善和修正原来的工程设计参数。 基于梯度搜索方法的参数反演方法缺陷在于无法保证搜索到全局最优解,其主要原因在于观测误差的存在和模型误差的存在。Tihonov(1963)证明,如果正问题(ForwardProblem)是线性的,那么,反问题的解存在、唯一并且连续地依赖于观测数据(稳定)。关于地下水反问题和热传导反问题以及位移反分析的数值试验发现,当正问题是线性时,如果当不考虑观测数据的观测误差时,反问题的解是唯一的,也就是说,目标函数是凸函数,正如Tihonov所指出的那样;但是,当考虑到观测数据的观测误差时,即使正问题是线性的,反问题的目标函数是非凸的,反问题解是不惟一的。观测误差越大,目标函数的局部极小值数目越多。 遗传算法是一种基于达尔文“自然选择、适者生存”生物进化思想的全局搜索算法,其致命的缺陷在于早熟(Premature)特性。通过将模拟退火算法嵌入到遗传算法中,建立了一种新的锦标赛选择策略。该选择策略使得在种群进化初期,各个个体被选择的概率基本相等,保证了进化过程中种群的多样性,有效解决遗传算法的早熟问题。而随着种群的进化,模拟退火算法中的退火温度逐步降低,使得适应度高(目标函数小)的个体被选择的概率增加,加快了算法的收敛速度;当接近种群进化结束时,只有适应度高的个体被选中。 人工神经网络具有自适应、自组织和学习能力。在网络训练过程中采用改进的BP算法,通过对学习算子的优化搜索,大大提高了网络的收敛速度,解决了BP算法迭代过程中目标函数振荡问题。数值算例表明,所提出的改进的BP算法进行岩土材料参数识别收敛速度和识别精度都得到提高。将所建立的遗传—人工神经网络应用到水电站混凝土大坝和岩石基础渗透系数反演和岩土边坡稳定性分析预测工程中,表明具有很高的预测精度。 与传统的基于梯度搜索的优化方法相比,模拟退火算法具有良好的全局收敛特性。岩土模型参数识别反问题转化为组合优化问题,提出了模拟退火算法识别未知的热传导系数和边界条件问题,算法具有良好的抗观测噪音能力。反问题的不适定性由解的不唯一性和不稳定性来表征,模拟退火算法具有解决这一问题的能力。通过与梯度搜索算法相对比,数值模拟计算结果显示了所提出模拟退火反演方法的有效性和适用性。该反演方法可以用于求解线性或者非线性、稳态和瞬态材料热传导参数识别和边界条件识别问题。 根据自然界中不同类型蚂蚁的分工特性,在蚁群算法中增加了“侦察”蚂蚁,该侦察蚂蚁负责搜索信息素非常低的路径(反问题的解),使得算法具有快速搜索到新的更优解的能力,同时有效地避免蚁群算法的“趋同”特性。同时,将遗传算法中的最优个体保留策略应用到蚁群算法,增强了蚁群算法的全局收敛特性和解的精度。由于蚁群算法采用“地毯式”搜索,收敛速度十分有限,特别是对于需要多次求解正问题的岩土力学参数反演问题,其计算速度尤其突出。通过对蚁群算法的改进,将模拟退火算法与蚁人连理T人学博卜学位论文群算法相结合,建立了模拟退火一蚁群算法,该混合优化方法能够充分利用蚁群算法的信息素蒸发和全局修正特性以及模拟退火算法的快速“邻域”搜索特性,加快了蚁群算法的收敛速度和全局收敛特性。该方法可以用来识别二维或叁维、稳态或非稳态地下水流动模型的渗透系数和储水系数问题,以及地下水渗流污染源辨识问题。 结合丰满发电厂、白山发电厂和云峰发电厂的改进和扩建工程,根据现场观测数据,包括坝基扬压力、漏水量和坝体变形观测数据,建立了基于计算智能的混凝土大坝和岩土力学参数反演方法。针对现有基于梯度优化反演所存在的缺陷,提出了基于遗传算法、人工神经网络、模拟退火算法和蚁群算法的参数辨识方法,编制了FORTRAN程序软件,并且应用到所涉及的不同性质问题的工程实践。数值算例和工程实际应用结果表明,所建立的参数反演方法具有良好的鲁棒性和全局收敛特性,与基于梯度搜索的反演方法相对比,大坝变形预报值与工程实际观测值对比具有较高的预测精度。将所提出的智能反演方法应用到白山水电站混凝土大坝和岩石基础渗透系数反演和消能塘渗流场计算以及参数优化,根据参数反演结果和渗流场模拟计算结果进行反馈设计,节约工程成本接近1000万元,取得了明显的社会效益和经济效益。基金资助:国家自然科学基金(基金号:10072014,59779003),高校博士点基金(基 金号2000014107)关键词:岩土工程, 蚁群算法论文类型:应用基础中图分类号:0357.3参数反演,计算智能,遗传算法,模拟退火算法,人工神经网络,TU452,TV6423
魏辉[7]2008年在《燃煤电站锅炉低NOx燃烧优化运行策略的研究》文中指出锅炉低NOx燃烧优化运行是指通过合理地组织炉内燃烧以实现低NOx排放和高效率燃烧,但炉内NOx生成的控制措施与炉内稳定燃烧及燃尽的技术原则存在不同,因此如何兼顾降低NOx排放量和提升锅炉效率使得锅炉排污和煤耗的综合成本最低是锅炉低NOx燃烧优化的目标。燃煤电站锅炉高效低NOx燃烧优化过程通常分为两个阶段:第一个阶段为建立NOx排放和锅炉效率预测模型,所建模型须能依据历史运行数据和当前运行状况映射出NOx排放和锅炉效率与锅炉各输入运行变量的变化关系;第二个阶段为利用约束优化技术求取低NOx排放的优化运行方案,然后依据此方案指导运行人员实时运行(开环模式)或在一定条件下通过集散控制系统(DCS)将优化运行方案自动输入到锅炉,调整可调运行参数(闭环模式)以实现低NOx燃烧优化运行。本文首先对燃煤电站锅炉低NOx燃烧优化运行进行了探讨和综述,它包括电站煤粉炉NOx生成机理及主要控制方法、影响电站煤粉炉NOx排放特性的主要因素、煤粉炉燃烧时NOx生成量预测及模型优化算法。然后分别以300MW机组单炉体双炉膛八角切圆和300MW机组单炉堂四角切圆燃烧锅炉为研究对象,以现场热态燃烧调整试验数据为基础,利用基于贝叶斯规范化的L-M改进BP算法建立了NOx排放特性和锅炉效率与各操作运行变量之间的经验预测模型,并对所建模型进行了预测能力的测试,测试结果表明该模型可相对快速准确地预测出锅炉实时运行工况下的NOx排放量和锅炉效率值。BP神经网络在非线性系统建模和控制方面得到广泛应用,且也已经被应用到燃煤电站锅炉NOx排放预测控制。但BP神经网络在获得训练成功的预测模型之前要求大量的、信息丰富的历史数据,它要求有计划地把锅炉实时运行数据添加到模型中,使模型不断更新以能够充分体现锅炉动态运行状况。而基于梯度下降法的BP学习算法具有建模耗费时间长和容易陷入“过拟合”的缺陷,从而限制了模型的更新和预测推广能力。为解决此问题,文中研究了利用具有计算速度快、泛化能力强的最小二乘支持向量机建立了NOx排放特性和锅炉效率的预测模型,并将其与利用BP神经网络建立的预测模型作了比较,结果表明前者既能够准确预测在不同运行工况下的NOx排放量又具有更强的泛化能力,与其它建模方法相比该方法更适合NOx排放的在线预测。建立NOx排放特性和锅炉效率的预测模型后,文中结合所建模型和遗传算法实现了叁种不同优化目标下的运行方案优化搜索,优化目标分别是:单独优化NOx排放量、单独优化锅炉效率及兼顾NOx排放量和锅炉效率实施综合优化。所得优化运行方案具有实际可操作性,可为锅炉低NOx燃烧优化运行的闭环/开环控制提供模型基础。
孙文恒[8]2008年在《基于遗传算法和BP神经网络的蛋白质二级结构预测研究》文中研究说明生物信息学作为一门新兴的学科,已成为这个世纪自然科学的前沿领域之一。在生物信息学的众多研究方向中,蛋白质结构预测在生物信息学研究中占有重要地位,它的研究对于理解蛋白质结构与功能的关系,以及分子设计、生物制药等领域有很重要的现实意义。本文结合氨基酸序列的编码方式,探讨了几种改进BP(Back Propagation)算法在预测蛋白质二级结构中的应用,并对遗传优化BP(GA-BP)网络的学习过程及结果进行分析和评价。主要研究内容及成果如下:(1)分析蛋白质一级序列和二级结构的种类,及其表示方法。从HSSP蛋白质同源结构数据库中选取36条蛋白质记录,对它们的氨基酸序列和对应二级结构特征进行提取和表示,为整个研究提供了原始数据。(2)针对正交编码、5位编码及Profile编码这3种常用的氨基酸编码方法,利用BP神经网络,建立蛋白质二级结构预测模型。运用该模型研究比较这3种编码方式对蛋白质二级结构预测精度的影响。结果表明,用富含“生物进化信息”的Profile编码方式可以提高预测结果的准确率。(3)针对标准BP算法存在的缺点,论文讨论采用动量法与学习率自适应调整策略的BP神经网络,同时结合遗传算法来实现蛋白质二级结构的预测。结果表明,用遗传算法优化动量法与学习率自适应调整策略的BP算法可以改善预测精度。(4)把3种编码方式分别应用在不同神经网络模型中,实现蛋白质二级结构的预测,提出一种新的改进方法,即Profile编码方式与遗传算法优化的动量法与学习率自适应调整策略的BP神经网络结合。实验表明,基于Profile编码方式的遗传优化BP神经网络预测蛋白质二级结构的准确度可以得到提高,达到67.1%。
吕健康[9]2011年在《基于区域空间的综合特征的图像语义分类技术研究》文中认为随着网络技术和多媒体技术的迅速发展,人们对图像信息的需要剧增。传统的基于人工标注的图像分类和检索技术,由于其效率低和主观性的差异等缺点已经不能满足人们的需要;基于内容的图像检索技术,从底层特征表达图像的信息,实现对图像的理解。然而,图像具有丰富的高层语义,导致图像的底层特征与人对图像的理解之间存在很大的差异,出现图像检索的“语义鸿沟”问题。基于语义的图像分类技术便应运而生,并代表着图像理解发展的方向。本文结合遗传算法和支持向量机研究了基于区域空间的综合特征的图像语义分类技术。为了能表达对图像的理解,和提高图像分类的分类精度和准确率,本文提出了基于块区域空间的综合特征的图像语义分类技术,首先对图像进行模块划分,分别提取每个模块的特征,通过核主成分分析方法对模块特征进行融合,然后利用本文中改进的自适应的遗传算法对划分的模块区域综合特征进行优化加权,组成图像的加权的最优化综合特征来表达图像的信息,文中还改进了一对一多分类的支持向量机作为进行图像分类的分类器,对输入的图像特征向量的样本集进行图像分类。本文对文中改进的算法及分类方法进行了实验,验证本文提出的基于块区域空间的综合特征的图像语义分类技术对图像分类具有较高的分类精度,实验结果表明将本文中改进的自适应遗传算法用于优化加权和改进的一对一多分类支持向量机用做分类器,是有效可行的。
赵东[10]2017年在《基于群智能优化的机器学习方法研究及应用》文中进行了进一步梳理当前,机器学习技术已广泛应用于工业、农业、交通、环境等各个领域。特别在农业生产领域,由于农业信息化和精准农业的推广和实施,农业生产数据不断迅速增长并大量积累,这大大增加了对信息技术的需求,尤其对机器学习技术的需求更加显着。然而,由于农业生产问题的复杂性,对决策问题直接采用传统的机器学习方法往往达不到理想的效果,因此如何构造最优的基于机器学习的农业智能决策方法是当前亟待解决的问题。本文重点研究利用群智能优化技术对现有若干机器学习技术进行改进,构建基于机器学习技术的农业智能决策新方法,进而将这些新方法用于解决实际农业生产问题。我们首先对随机森林、多目标聚类、支持向量机和核极限学习机等方法在计算精度、适用性和稳定性方面存在的问题进行了探讨,提出了叁维混沌果蝇优化技术、改进粒子群优化技术、改进灰狼优化技术和多种群灰狼优化技术,然后分别对上述机器学习方法进行改进,进而提出叁维混沌果蝇优化的随机森林预测模型、改进粒子群的动态多目标优化诊断模型、改进灰狼优化的支持向量机诊断模型、多种群灰狼智能演化核极限学习机预测模型,分别用于水稻的虫害预测、病害诊断、缺素诊断和产量预测,较好地解决了水稻生产决策难题。具体说明如下:(1)针对随机森林模型预测过程受其参数影响的问题,提出一种叁维混沌果蝇优化的随机森林预测模型。首先,将原始果蝇优化算法从二维搜索空间扩展到叁维空间,同时引入混沌理论对种群进行初始化操作,避免陷入局部最优,提出一种改进的叁维混沌果蝇优化算法。选取多个测试函数进行实验仿真,实验结果表明,提出的方法与原始的果蝇优化、粒子群优化等群智能算法进行对比,不仅解的质量更好,在收敛速度方面也更快。然后,我们将该算法引入到随机森林模型中,利用叁维混沌果蝇优化算法对随机森林进行训练,从而建立最优的计算模型。最后,将该方法在水稻虫害数据集上进行测试,并与其它算法进行对比。实验结果表明,该模型具有更好的预测精度,能更有效的实现水稻虫害的预测。(2)针对机器学习方法在单目标粒子群优化中解的局限性问题,提出一种改进粒子群的动态多目标优化诊断模型。首先,对原始粒子群算法进行改进,包括环境变化因子、惯性因子和变异因子的改进。然后,将该方法与动态多目标技术结合,选取两个聚类方法作为目标函数,采用背景差分法设计环境变化因子及规则,建立了改进粒子群的动态多目标优化诊断模型,从而实现图像识别算法的优化。最后,对预处理的水稻病害图片进行特征提取后,应用该模型对病害特征集测试,并与其他方法进行了对比。实验结果表明,该模型可获得数量多、质量高且分布均匀的帕累托(Pareto)解集,较之单目标方法有更高的病害识别精度。(3)针对支持向量机的模型选择问题,提出一种改进灰狼优化算法的支持向量机诊断模型。首先,在灰狼优化中引入新的种群初始化机制,为灰狼优化生成更合适的种群位置,使之避免陷入局部最优,获得更好的解,并提高算法的收敛速度。在多个单峰和多峰函数上对该算法进行了测试,结果表明,改进灰狼优化算法在解的质量及收敛速度上都优于已有的灰狼优化算法。然后,我们将该策略引入到支持向量机中,对该模型中的惩罚因子和核宽进行动态选择和调整,从而得到最优识别模型。最后,利用该模型对水稻缺素情况进行诊断。实验结果表明,该模型识别准确率超过95%,识别精度优于基于原始灰狼优化的支持向量机方法、基于网格搜索的支持向量机和神经网络方法,实现了水稻缺素问题的精准决策。(4)针对核极限学习机在预测问题中受关键参数影响的问题,提出一种利用多种群灰狼智能演化核极限学习机的预测模型。首先,充分利用多种群智能演化方法的优势,将灰狼算法的种群和搜索空间同步多元化,并采用精英机制在多个种群中进行信息共享,从而获得全局最优解。然后,我们将该策略引入核极限学习机中,对该模型中的惩罚系数和高斯核宽进行动态调整,从而建立最优的预测模型。最后,对水稻产量数据进行测试,实验结果表明,与基于原始灰狼优化的核极限学习机、支持向量机以及神经网络等方法对比,该模型不仅提高了水稻产量的预测准确率,还获得了更稳定的预测结果。这意味着本文提出的水稻产量预测模型能够较好的对粮食产量进行预测,可作为农业生产中一种重要的辅助决策工具。
参考文献：
[1]. 改进的遗传机器学习系统及其应用[D]. 刘明姬. 吉林大学. 2004
[2]. 具有学习能力的免疫遗传算法在车间调度中的应用[D]. 常征. 大连交通大学. 2004
[3]. 求解多目标优化问题的改进遗传机器学习方法[J]. 刘明姬, 刘淑媛, 吕显瑞. 吉林大学学报(理学版). 2006
[4]. 改进的遗传算法及其在模具优化设计中的应用[D]. 陈曦. 大连理工大学. 2007
[5]. 支持向量机在变压器状态评估中的应用研究[D]. 肖燕彩. 北京交通大学. 2008
[6]. 基于计算智能的岩土力学模型参数反演方法及其工程应用[D]. 李守巨. 大连理工大学. 2004
[7]. 燃煤电站锅炉低NOx燃烧优化运行策略的研究[D]. 魏辉. 上海交通大学. 2008
[8]. 基于遗传算法和BP神经网络的蛋白质二级结构预测研究[D]. 孙文恒. 兰州大学. 2008
[9]. 基于区域空间的综合特征的图像语义分类技术研究[D]. 吕健康. 华南理工大学. 2011
[10]. 基于群智能优化的机器学习方法研究及应用[D]. 赵东. 吉林大学. 2017