混合蛙跳特征选择方法应用研究

本书共包含六章，第一章阐述了混合蛙跳算法的研究背景和意义，介绍了混合蛙跳算法的基本原理、研究现状和发展方向，并概述了本书的主要研究内容；第二章介绍了混合蛙跳算法的参数优化方案，并采用改进正交试验方法获得了最优参数方案；第三章介绍了混合蛙跳算法的三种改进策略，提出了两种改进的混合蛙跳算法，并通过实验验证了改进算法的性能；第四章介绍了改进混合蛙跳特征选择方法在高维生物医学数据集上的应用情况，改进混合蛙跳特征选择方法显著提高了数据集特征选择的性能；第五章介绍了混合蛙跳算法自适应特征选择方法在高维生物医学数据集上的应用情况，自适应特征选择方法在保证数据集分类精度的同时，进一步缩短了特征选择的运行时间；第六章总结本书所做的研究工作，并对下一步的研究内容进行了展望。

前言
1 绪论
1.1 引言
1.1.1 优化模型
1.1.2 优化算法
1.2 群体智能优化算法
1.3 混合蛙跳算法的改进及应用
1.3.1 算法的改进
1.3.2 算法的应用
1.3.3 算法收敛性分析
1.4 特征选择方法
1.4.1 特征选择应用研究
1.4.2 智能优化算法特征选择方法
1.5 本书的创新点
1.6 小结
2 混合蛙跳算法的参数优化
2.1 引言
2.2 混合蛙跳算法原理
2.2.1 种群分割
2.2.2 寻优原理
2.2.3 算法流程
2.3 混合蛙跳算法参数优化设计
2.3.1 正交试验设计方法
2.3.2 分组-子群平衡正交试验设计方法
2.4 小结
3 改进的混合蛙跳算法
3.1 引言
3.2 算法的改进策略
3.2.1 混沌记忆权重因子
3.2.2 细菌觅食因子
3.2.3 平衡分组策略
3.3 改进策略性能分析
3.3.1 固定迭代次数下的算法优化精度分析
3.3.2 固定优化精度下的算法迭代次数分析
3.4 算法计算复杂度
3.5 小结
4 基于混合蛙跳算法的高维生物医学特征选择方法
4.1 引言
4.2 算法的离散化处理
4.3 特征选择的实现
4.3.1 算法步骤
4.3.2 特征选择流程
4.3.3 特征选择评价函数
4.3.4 数据处理与分析
4.4 小结
5 基于混合蛙跳算法的自适应高维生物医学特征选择方法
5.1 引言
5.2 自适应解空间调整策略
5.3 自适应混合蛙跳特征选择方法
5.3.1 A-ISFLA步骤
5.3.2 ABF-SFLA步骤
5.3.3 特征选择方法流程
5.3.4 评价函数
5.3.5 数据处理与分析
5.3.6 算法计算复杂度
5.4 小结
6 带学习因子鸡群优化算法在高维数据特征选择中的应用
6.1 改进的鸡群优化算法
6.1.1 学习机制策略
6.1.2 线性微分递减策略
6.1.3 算法流程
6.2 实验结果与分析
6.2.1 标准测试函数
6.2.2 算法测试与比较
6.3 特征选择
6.3.1 特征选择概念及基本框架
6.3.2 特征选择方法分类
6.4 带学习因子鸡群优化算法特征选择应用
6.4.1 数据集
6.4.2 评价函数
6.4.3 邻近算法
6.4.4 十折交叉验证
6.4.5 适应度函数设计流程
6.4.6 参数设置
6.4.7 结果与分析
6.5 小结
7 总结和展望
7.1 总结
7.2 展望
参考文献