全局混沌蝙蝠优化算法

doi:10.12068/j.issn.1005-3026.2020.04.006

东北大学学报:自然科学版 ›› 2020, Vol. 41 ›› Issue (4): 488-492.DOI: 10.12068/j.issn.1005-3026.2020.04.006

全局混沌蝙蝠优化算法

崔雪婷^1,2，李颖^1,2，范嘉豪^1,2

(1.吉林大学计算机科学与技术学院，吉林长春130012； 2.吉林大学符号计算与知识工程教育部重点实验室，吉林长春130012)

收稿日期:2019-05-06 修回日期:2019-05-06 出版日期:2020-04-15 发布日期:2020-04-17
通讯作者: 崔雪婷
作者简介:崔雪婷(1992-)，女，吉林长春人，吉林大学博士研究生；李颖(1965-)，女，北京人，吉林大学教授，博士生导师.
基金资助:
国家自然科学基金资助项目(61602206).

Global Chaotic Bat Optimization Algorithm

CUI Xue-ting^1,2， LI Ying^1,2， FAN Jia-hao^1,2

1. College of Computer Science and Technology， Jilin University， Changchun 130012， China; 2. Symbol Computation and Knowledge Engineering of Ministry of Education， Jilin University， Changchun 130012， China.

Received:2019-05-06 Revised:2019-05-06 Online:2020-04-15 Published:2020-04-17
Contact: FAN Jia-hao
About author:-
Supported by:
-

摘要/Abstract

摘要： 为提高蝙蝠算法进行特征选择的正确率，提出全局混沌蝙蝠优化算法(GCBA).首先，GCBA采用混沌映射方法使种群的初始化能够遍历整个解空间，获取蝙蝠初始的最优位置，使其具有更加丰富的种群，解决了初始化种群随机性的问题.同时，GCBA引入当前粒子的最优解和当前种群的最优解跳出局部最优解，可有效避免算法早熟，有利于提高算法的全局搜索能力.蝙蝠算法(BA)、粒子群算法(PSO)与遗传算法(GA)在10个数据集上的测试结果表明，所提算法具有更高的分类精度和更强的跳出局部最优的能力.

关键词: 蝙蝠算法, 混沌映射, 全局优化, 局部最优, 特征选择

Abstract: In order to improve the accuracy of feature selection of bat algorithm， a global chaotic bat optimization algorithm(GCBA) was proposed. Firstly， GCBA adopts chaotic mapping method to enable the initialization of the population to traverse the entire solution space， obtain the optimal position of the bat， and make it more abundant. It solved the problem of initial population randomness. At the same time， GCBA introduces the optimal solution of the current particle and the optimal solution of the current population to jump out of local optimal solutions， which can effectively avoid the premature and improve the global search ability of the algorithm. The results of the bat algorithm(BA)， particle swarm optimization(PSO) and genetic algorithm(GA) on 10 data sets showed that the proposed algorithm has higher classification accuracy and stronger ability to jump out of local optimum.

Key words: bat algorithm, chaotic mapping , global optimum, local optimum, feature selection

中图分类号:

TP182

崔雪婷，李颖，范嘉豪. 全局混沌蝙蝠优化算法[J]. 东北大学学报:自然科学版, 2020, 41(4): 488-492.

CUI Xue-ting， LI Ying， FAN Jia-hao. Global Chaotic Bat Optimization Algorithm[J]. Journal of Northeastern University Natural Science, 2020, 41(4): 488-492.

参考文献

[1]Yang X S.A new metaheuristic bat-inspired algorithm［J］.Computer Knowledge & Technology，2010，284:65-74.
[2]Tsai P W，Pan J S，Liao B Y，et al.Bat algorithm inspired algorithm for solving numerical optimization problems［J］.Applied Mechanics and Materials，2012，148/149:134-137.
[3]Yang X S.Bat algorithm for multi-objective optimization［J］.International Journal of Bio-inspired Computation，2012，3(5):267-274.
[4]Bora T C，Coelho L S，Lebensztajn L.Bat-inspired optimization approach for the brushless DC wheel motor problem［J］.IEEE Transactions on Magnetics，2012，48(2):947-950.
[5]Dash M，Liu H.Feature selection for classification［J］.Intelligent Data Analysis，1997，1(1/2/3/4):131-156.
[6]杨景明，马明明，车海军，等.多目标自适应混沌粒子群优化算法［J］.控制与决策，2015，30(12):2168-2174.(Yang Jing-ming，Ma Ming-ming，Che Hai-jun，et al.Multi-objective adaptive chaotic particle swam optimization algorithm［J］.Control and Decision，2015，30(12):2168-2174.)
[7]Kazimipour B，Li X，Qin A K.A review of population initialization techniques for evolutionary algorithms［C］//Evolutionary Computation.Beijing，2014:2585-2592.
[8]Mirjalili S，Mirjalili S M，Yang X S.Binary bat algorithm［J］.Neural Computing and Applications，2014，25(3/4):663-681.
[9]Kennedy J，Eberhart R.Particle swarm optimization［C］//Proceedings of the IEEE International Conference on Neural Networks.Perth:IEEE，2002:1942-1948.
[10]Kennedy J，Eberhart R C.A discrete binary version of the particle swarm algorithm［C］//IEEE International Conference on Systems，Man，and Cybernetics.Orlando :IEEE，2002:4104-4108.
[11]Alickovic E，Subasi A.Breast cancer diagnosis using GA feature selection and rotation forest［J］.Neural Computing and Applications，2017，28(4):753-763.
[15]关守平，房少纯.一种新型的区间-粒子群优化算法［J］.东北大学学报(自然科学版)，2012，33(10):1381-1384.(Guan Shou-ping，Fang Shao-chun.A new interval particle swarm optimization algorithm［J］.Journal of Northeastern University(Natural Science)，2012，33(10):1381-1384.)

[1]	李占山，杨云凯，张家晨. 基于熵权法的过滤式特征选择算法[J]. 东北大学学报（自然科学版）, 2022, 43(7): 921-929.
[2]	王述红，魏崴，韩文帅，陈浩. 基于CGWO算法的边坡最小安全系数全局寻优方法[J]. 东北大学学报（自然科学版）, 2022, 43(7): 1033-1042.
[3]	杨爱萍，宋尚阳，程思萌. 轻量化自适应特征选择目标检测网络[J]. 东北大学学报（自然科学版）, 2021, 42(9): 1238-1245.
[4]	丁敬国，郭锦华. 基于主成分分析协同随机森林算法的热连轧带钢宽度预测[J]. 东北大学学报（自然科学版）, 2021, 42(9): 1268-1275.
[5]	李占山，姚鑫，刘兆赓，张家晨. 基于LightGBM的特征选择算法[J]. 东北大学学报（自然科学版）, 2021, 42(12): 1688-1695.
[6]	李占山，吕艾娜. 基于新冗余度的特征选择方法[J]. 东北大学学报:自然科学版, 2020, 41(11): 1550-1556.
[7]	李占山，刘兆赓，俞寅，鄢文浩. 量子化信息素蚁群优化特征选择算法[J]. 东北大学学报:自然科学版, 2020, 41(1): 17-22.
[8]	孔芝，杨青峰，赵杰，熊浚钧. 基于自适应调整权重和搜索策略的鲸鱼优化算法[J]. 东北大学学报:自然科学版, 2020, 41(1): 35-43.
[9]	王蒙湘，李芳芳，于戈. 交互式数据探索框架的特征自适应技术[J]. 东北大学学报:自然科学版, 2018, 39(12): 1685-1690.
[10]	郭强，吴成东，赵迎春. 基于在线判别分布域特征选择的鲁棒跟踪算法[J]. 东北大学学报:自然科学版, 2017, 38(3): 305-309.
[11]	李青芮，李平，张鹏. 混沌优化Smith预估补偿器[J]. 东北大学学报:自然科学版, 2015, 36(8): 1093-1096.
[12]	高立群，欧阳海滨，孔祥勇，刘宏志. 带有交叉操作的教-学优化算法[J]. 东北大学学报:自然科学版, 2014, 35(3): 323-327.
[13]	苗长胜，原常青，王兴伟，常桂然. 基于互信息和文化基因算法的网络流量特征选择[J]. 东北大学学报:自然科学版, 2014, 35(11): 1530-1533.
[14]	欧阳海滨，高立群，郭丽，孔祥勇. 混沌反向学习和声搜索算法[J]. 东北大学学报(自然科学版), 2013, 34(9): 1217-1221.
[15]	代茵，张瀚秋，于利伟. 基于均匀置乱和混沌映射的医学图像加密方法[J]. 东北大学学报(自然科学版), 2013, 34(8): 1096-1099.

全局混沌蝙蝠优化算法

Global Chaotic Bat Optimization Algorithm

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价