论文部分内容阅读
粒子群优化算法(PSO)是一种基于群体智能的优化方法。由于该算法简单、收敛速度快、易于实现等特点，目前已广泛应用于解决各种寻优问题。但是，该算法也存在后期搜索速度慢，过早收敛，易陷入局部最优解、搜索精度不高等缺陷。为了提高种群的收敛速度以及减少盲目搜索，本文将梯度信息引入粒子搜索并自适应控制种群多样性以确保合理的搜索空间，该方法能够以较大的概率获取最优解。结合基因表达谱数据，将该基于梯度搜索的PSO用于支持向量机(SVM)的参数优化并实现有效分类。本文主要工作包括:
(1)提出一种基于梯度搜索的粒子群优化算法。该算法从两个方面来提高粒子群的搜索性能。一方面，在粒子相互吸引过程中，粒子沿着负梯度的方向进行搜索;并在搜索过程中，不断减小粒子的速度，从而增大收敛到全局最优点的可能性。另一方面，在粒子的排斥过程中，粒子散开的速度根据种群多样性做自适应调整。该算法在搜索过程中有效保持种群多样性从而保证其全局搜索性能;同时因粒子沿梯度下降的方向进行搜索，该算法具有很强的局部搜索能力。在Benchmark函数的优化问题的实验结果表明这种基于梯度搜索的粒子群优化算法比标准粒子群优化算法及相关改进有更优的收敛性能。
(2)提出将基于梯度搜索的粒子群优化算法应用于SVM的参数优化的方法，并将该方法应用于基因表达谱数据分类。通过用基于梯度搜索的粒子群优化算法优化核函数参数和惩罚因子的范围来提高支持向量机的分类性能，最后将优化后的支持向量机分类器应用于基因表达谱数据分类。仿真结果表明该优化过的SVM分类器在两个常见的基因表达谱数据集上的分类性能优于未进行参数优化的SVM分类器。