针对传统偏好多目标进化算法存在的算法性能受偏好点位置影响,不易于控制偏好解集大小以及收敛速度较慢等问题,提出了一种基于角度和距离混合引导策略的偏好多目标进化算法。首先,设计了一种基于偏好向量的距离支配(reference vector ba...针对传统偏好多目标进化算法存在的算法性能受偏好点位置影响,不易于控制偏好解集大小以及收敛速度较慢等问题,提出了一种基于角度和距离混合引导策略的偏好多目标进化算法。首先,设计了一种基于偏好向量的距离支配(reference vector based distance dominance,rd-dominance)规则,解决了传统r支配(reference solution based dominance,r-dominance)受偏好点位置影响的问题。同时,设计了一种自适应的算法阈值更新机制,使得算法在进化前期可以充分搜索靠近Pareto前沿面的个体,保证了种群的多样性。然后,设计了一种基于偏好角度的偏好区域划分方法并将其与所提rd支配规则融合,提出了一种基于角度和距离混合引导策略。在进化中后期,利用所提偏好区域划分方法对偏好区域进行划分,仅对偏好区域内的个体进行rd支配排序,从而快速引导种群向着决策者感兴趣的区域进化,提高了算法的优化效率。在标准测试函数上的实验结果表明,与几种典型的偏好多目标进化算法相比,所提算法给出的优化结果具有更好的收敛性和稳定性,且不受偏好点位置的影响。同时,所提算法与传统基于r支配的算法相比具有更快的收敛速度。展开更多
针对基于距离的主动支持向量机(Distance-Based Active SVM,DASVM)在选取初始标记样本时采用了随机的策略而影响了分类器学习效率和分类性能的问题,提出了一种基于局部线性重构的主动支持向量机分类器构建方法(CLASVM)。CLASVM在DASVM...针对基于距离的主动支持向量机(Distance-Based Active SVM,DASVM)在选取初始标记样本时采用了随机的策略而影响了分类器学习效率和分类性能的问题,提出了一种基于局部线性重构的主动支持向量机分类器构建方法(CLASVM)。CLASVM在DASVM分类器构建方法的基础上增加了基于类内-类间局部线性重构的训练样本初选策略,该训练样本初选策略以"聚类假设"和"流形假设"的思想为指导,选取若干同时具有最大类间重构误差和最小类内重构误差的样本作为初选样本进行标记。实验表明,CLASVM在样本初选阶段能够选取较多的支持向量,样本标记成本减少,训练效率与分类器性能与其他参与对比的分类器相比有显著提升。展开更多
文摘针对传统偏好多目标进化算法存在的算法性能受偏好点位置影响,不易于控制偏好解集大小以及收敛速度较慢等问题,提出了一种基于角度和距离混合引导策略的偏好多目标进化算法。首先,设计了一种基于偏好向量的距离支配(reference vector based distance dominance,rd-dominance)规则,解决了传统r支配(reference solution based dominance,r-dominance)受偏好点位置影响的问题。同时,设计了一种自适应的算法阈值更新机制,使得算法在进化前期可以充分搜索靠近Pareto前沿面的个体,保证了种群的多样性。然后,设计了一种基于偏好角度的偏好区域划分方法并将其与所提rd支配规则融合,提出了一种基于角度和距离混合引导策略。在进化中后期,利用所提偏好区域划分方法对偏好区域进行划分,仅对偏好区域内的个体进行rd支配排序,从而快速引导种群向着决策者感兴趣的区域进化,提高了算法的优化效率。在标准测试函数上的实验结果表明,与几种典型的偏好多目标进化算法相比,所提算法给出的优化结果具有更好的收敛性和稳定性,且不受偏好点位置的影响。同时,所提算法与传统基于r支配的算法相比具有更快的收敛速度。
文摘针对基于距离的主动支持向量机(Distance-Based Active SVM,DASVM)在选取初始标记样本时采用了随机的策略而影响了分类器学习效率和分类性能的问题,提出了一种基于局部线性重构的主动支持向量机分类器构建方法(CLASVM)。CLASVM在DASVM分类器构建方法的基础上增加了基于类内-类间局部线性重构的训练样本初选策略,该训练样本初选策略以"聚类假设"和"流形假设"的思想为指导,选取若干同时具有最大类间重构误差和最小类内重构误差的样本作为初选样本进行标记。实验表明,CLASVM在样本初选阶段能够选取较多的支持向量,样本标记成本减少,训练效率与分类器性能与其他参与对比的分类器相比有显著提升。
