本書主要包含7部分：第1部分為緒論，闡述了混合蛙跳算法的研究背景和意義，介紹了混合蛙跳算法的基本原理、研究現(xiàn)狀和發(fā)展方向，并概述了本書的主要研究內(nèi)容；第2部分介紹了混合蛙跳算法的參數(shù)優(yōu)化方案，并采用改進(jìn)正交試驗方法獲得了**參數(shù)方案；第3部分介紹了混合蛙跳算法的三種改進(jìn)策略，提出了2種改進(jìn)的混合蛙跳算法，并通過實驗驗證了改進(jìn)算法的性能；第4部分介紹了改進(jìn)混合蛙跳特征選擇方法在高維生物醫(yī)學(xué)數(shù)據(jù)集上的應(yīng)用情況，改進(jìn)混合蛙跳特征選擇方法顯著提高了數(shù)據(jù)集特征選擇的性能；第5部分介紹了混合蛙跳算法自適應(yīng)特征選擇方法在高維生物醫(yī)學(xué)數(shù)據(jù)集上的應(yīng)用情況，自適應(yīng)特征選擇方法在保證數(shù)據(jù)集分類精度的同時，進(jìn)一步縮短了特征選擇的運行時間；第6部分提出了一種帶學(xué)習(xí)因子的雞群優(yōu)化算法，將其應(yīng)用到高維數(shù)據(jù)集特征選擇方法中，從而提高了數(shù)據(jù)集的分類精度；第7部分總結(jié)本書所做的研究工作，并對下一步的研究內(nèi)容進(jìn)行了展望。
前言
1 緒論
1.1 引言
1.1.1 優(yōu)化模型
1.1.2 優(yōu)化算法
1.2 群體智能優(yōu)化算法
1.3 混合蛙跳算法的改進(jìn)及應(yīng)用
1.3.1 算法的改進(jìn)
1.3.2 算法的應(yīng)用
1.3.3 算法收斂性分析
1.4 特征選擇方法
1.4.1 特征選擇應(yīng)用研究
1.4.2 智能優(yōu)化算法特征選擇方法
1.5 本書的創(chuàng)新點
1.6 小結(jié)
2 混合蛙跳算法的參數(shù)優(yōu)化
2.1 引言
2.2 混合蛙跳算法原理
2.2.1 種群分割
2.2.2 尋優(yōu)原理
2.2.3 算法流程
2.3 混合蛙跳算法參數(shù)優(yōu)化設(shè)計
2.3.1 正交試驗設(shè)計方法
2.3.2 分組-子群平衡正交試驗設(shè)計方法
2.4 小結(jié)
3 改進(jìn)的混合蛙跳算法
3.1 引言
3.2 算法的改進(jìn)策略
3.2.1 混沌記憶權(quán)重因子
3.2.2 細(xì)菌覓食因子
3.2.3 平衡分組策略
3.3 改進(jìn)策略性能分析
3.3.1 固定迭代次數(shù)下的算法優(yōu)化精度分析
3.3.2 固定優(yōu)化精度下的算法迭代次數(shù)分析
3.4 算法計算復(fù)雜度
3.5 小結(jié)
4 基于混合蛙跳算法的高維生物醫(yī)學(xué)特征選擇方法
4.1 引言
4.2 算法的離散化處理
4.3 特征選擇的實現(xiàn)
4.3.1 算法步驟
4.3.2 特征選擇流程
4.3.3 特征選擇評價函數(shù)
4.3.4 數(shù)據(jù)處理與分析
4.4 小結(jié)
5 基于混合蛙跳算法的自適應(yīng)高維生物醫(yī)學(xué)特征選擇方法
5.1 引言
5.2 自適應(yīng)解空間調(diào)整策略
5.3 自適應(yīng)混合蛙跳特征選擇方法
5.3.1
A-ISFLA步驟
5.3.2
ABF-SFLA步驟
5.3.3 特征選擇方法流程
5.3.4 評價函數(shù)
5.3.5 數(shù)據(jù)處理與分析
5.3.6 算法計算復(fù)雜度
5.4 小結(jié)
6 帶學(xué)習(xí)因子雞群優(yōu)化算法在高維數(shù)據(jù)特征選擇中的應(yīng)用
6.1 改進(jìn)的雞群優(yōu)化算法
6.1.1 學(xué)習(xí)機制策略
6.1.2 線性微分遞減策略
6.1.3 算法流程
6.2 實驗結(jié)果與分析
6.2.1 標(biāo)準(zhǔn)測試函數(shù)
6.2.2 算法測試與比較
6.3 特征選擇
6.3.1 特征選擇概念及基本框架
6.3.2 特征選擇方法分類
6.4 帶學(xué)習(xí)因子雞群優(yōu)化算法特征選擇應(yīng)用
6.4.1 數(shù)據(jù)集
6.4.2 評價函數(shù)
6.4.3 鄰近算法
6.4.4 十折交叉驗證
6.4.5 適應(yīng)度函數(shù)設(shè)計流程
6.4.6 參數(shù)設(shè)置
6.4.7 結(jié)果與分析
6.5 小結(jié)
7 總結(jié)和展望
7.1 總結(jié)
7.2 展望
參考文獻(xiàn)
書單推薦
