论文总字数：18601字

目录

1 绪论 1

1.1烟花算法的简介 1

1.2烟花算法的背景 1

1.3烟花算法的研究现状 1

1.4分类问题的概述 1

1.5本文工作 2

2烟花算法及不完整数据集的概述 2

2.1烟花算法的流程 2

2.2烟花算法的特点 3

2.3不完整数据集 4

2.4 研究目的 5

2.5 研究的内容 5

2自适应烟花算法 5

2.1自适应机制 5

2.2自适应烟花分类算法流程 6

3数据集及优化分类模型与目标函数 6

3.1数据集 6

3.2优化分类模型及目标函数 6

3.3目标函数的获取 8

4实验设计 8

4.1数据集的处理 8

4.2参数设置 8

5实验结果和结论 9

5.1计算结果和分析 9

5.1.1四种算法在四个数据集上的分类表现 9

5.1.2四种算法在Iris数据集上的分类表现 10

5.1.3四种算法在Ionospher数据集上的分类表现 11

5.1.4四种算法在Zoo数据集上的分类表现 11

5.1.5四种算法在Specthert数据集上的分类表现 11

5.2标准FWA和AFWA的汇聚性能 12

6、总结与展望 15

6.1总结 15

6.2展望 15

参考文献 16

致谢 18

自适应烟花分类算法及不完整数据集合研究

席康家

, China

Abstract:Fireworks Algorithm (FWA) is a recently-developed evolutionary algorithm, but in FWA, the radius of the explosion and the number of sparks are only determined by the difference of the value of the fitness between the fireworks. It means that the method used to calculate the explosion amplitude is irrational. In order to solve the problem of explosion amplitude effectively, this paper points an Adaptive Fireworks Classification Algorithm (AFWA). In AFWA, the best individuals among all the candidates will be carried forward to the next generation. The method of calculating its explosion radius is : Select the individual which is closest to the optimal individual but has a fitness value worse than that of the previous generation. Then, choose the distance between the individual and the optimal individual as the next explosive radius of the optimal individual. In order to test its extensiveness, four data sets are used. The experiment results show that the performance of AFWA is better than that of general FWA, Differential Evolution (DE) and Particle Swarm Optimization (PSO).

Key words:Fireworks　algorithm 　Adaptive　 Incomplete data set　 Explosion amplitude

1 绪论

1.1烟花算法的简介

烟花算法是谭营教授在观察现实中的炫丽的烟花在空中爆炸的时候，得到启发而提出的一种拥有爆炸搜索机制的求解全局优化问题的新型群体智能算法，能够在求解复杂的优化问题中表现出了比较优良的性能和较高的效率，已经渐渐获得了业界的大力关注以及跟踪研究。

1.2烟花算法的背景

近些年来，由于受到群居性生物种群的群体行为等一系列现象的启发，例如：对群居性动物取食的观察，以及对它们打扫洞穴方式的研究，发现了在群体中，虽然个体都很简单和单一，但通过个体和个体之间的交互，以及个体和环境的交互，从而可以实现比较复杂的工作。

群体智能逐渐得到了大家的关注和深入的研究，近些年里，已经提出了多种群体智能算法。例如：James Kennedy和Russell Eberhart于1995年提出了粒子群优化算法(Particle Swarm Optimization,PSO)；Marco Dorigo受到蚂蚁在寻找食物过程中发现路径的行为启发，于1992年提出一种用来寻找优化路径的概率型算法——蚁群算法(
Ant Colony Optimization,ACO)；Karaboga小组于2005年是一个由蜂群行为启发为优化代数问题而提出的人工蜂群算法(Artificial Bee Colony Algorithm, ABC)；以及谭营教授由于受到夜空中烟花爆炸的启发，于2010年提出的一种群体智能算法——烟花算法 (Fireworks Algorithm, FWA)。

1.3烟花算法的研究现状

目前，对烟花算法主要有理论方面、算法的研究以及算法的应用方面的研究。

(1)理论方面的分析主要包括研究烟花算法的求解机理、收敛性质、演化轨迹特点，各参数对算法性能的影响等理论问题，在理论上对现有算法的不合理之处进行剖析以及对提出新算法改进的建议；

(2)算法的研究方面主要是对烟花算法的基本组成部分进行研究，然后针对各个组成部分所存在的缺陷进行调整，从而增强算法的性能。例如：Liu等通过改进对爆炸半径和爆炸火花数目的计算方法，提出了一种构造型烟花算法(IFWA)；zheng等对烟花算法的爆炸算子、变异算子、选择策略以及映射规则等方面存在的缺陷进行了改进，从而提出了一种增强型烟花算法(EFWA)。

(3)算法的应用方面，烟花算法是可以对复杂问题的全局最优解进行求解的一种群体智能优化方法，而且它对所需要求解问题的目标要求也不高，有没有显式的表达都可以对问题进行求解，所以它适应性很强。因此，烟花算法在现实生活中可以得到广泛的应用。

1.4分类问题的概述

分类问题是机器学习和数据挖掘研究领域中最重要的问题之一。

分类问题的目标是建立一个能够正确匹配样本和最相关标签的分类器。在过去的几十年中，越来越多的分类方法，如朴素贝叶斯分类(NBC)，k-最近邻(KNN)，决策树(DT)，支持向量机(SVM)和人工神经网络(ANN)。虽然它们在解决分类问题上有着各自的优点，但是，它们大多数都是确定性的，从而导致很容易陷入局部最优。演化计算(EC)技术因其全局搜索能力而闻名于世，许多研究人员通过引入EC技术来提高优化分类模型的性能。然而，EC技术仅用于通过优化其参数值或结构或输入来改进分类方法。例如：薛羽等人，提出了一个监督分类问题的优化模型，并使用烟花算法(FWA)来解决分类问题。已经证明EC技术可以用来直接解决分类问题。然而，他们中使用的数据集的数量是有限的，并且使用的EC算法相对简单。自适应机制对开发EC技术很有用，近年来已经提出了许多强大的自适应EC技术。许多研究人员已经在EC技术中引入了自适应机制，并取得了较好的结果。

1.5本文工作

在本文中，首先，我们提出了一个分类问题的优化分类模型。通过这个模型，分类问题可以通过EC技术来解决。其次，我们提出了一种自适应烟花分类算法(AFWA)，它采用自适应机制。除此之外，改进后的算法采用了自适应爆炸半径的策略。本文的目的是广泛研究自适应烟花分类算法(AFWA)在解决分类问题时的性能。我们首先不完整数据集进行补全，然后将分类问题转化为优化问题，随后使用自适应烟花分类算法(AFWA)来解决优化问题。此外，在实验中使用来自UCI机器学习库的4个不同的完整数据集。

本文的其余部分安排如下，第2节给出了标准烟花算法(FWA)及不完整数据集的概述，第3节主要介绍算法的自适应机制，第4节为实验设计，第5节描述了实验结果及分析，第6节为总结与展望。