基于改進(jìn)遺傳算法的支持向量機特征選擇

　　式中dis指新生種群的最優(yōu)適應度相對于原種群的最優(yōu)適應度的增幅比，j與k均是區間(0，1)上的調節系數。文中的j與k分別取0.65和0.055。

　　獨立敏感度信息量在一定程度上體現了單個(gè)特征所含有的分類(lèi)信息量，如果獨立敏感度信息量小，則說(shuō)明該特征所含信息大部分對分類(lèi)沒(méi)有幫助，即該基因位發(fā)生突變后對整個(gè)染色體的優(yōu)異性影響不大，突變的概率也就相應減小。因此將獨立敏感度信息量歸一化后所得到的q(i)作為特征i被選為變異點(diǎn)的概率。變異點(diǎn)的具體選擇方法為：針對一個(gè)染色體按照染色體的位數進(jìn)行循環(huán)遍歷，在該循環(huán)中由變異率Pm判定是否產(chǎn)生變異位。若需要產(chǎn)生變異位，則依據q(i)按照輪盤(pán)算法進(jìn)行選擇。

　　模擬退火選群

　　在每一輪進(jìn)化完成后都需要決定進(jìn)入下一輪進(jìn)化的種群。如果過(guò)多地將較優(yōu)種群作為父代，就會(huì )使算法過(guò)早收斂或搜索緩慢。文獻[7]中指出模擬退火算法能夠以一定的概率接受劣解從而跳出局部極值區域并最終趨于全局最優(yōu)解，因此可以將上文提到的最優(yōu)適應度增幅比作為能量函數，運用模擬退火的Meteopolis準則來(lái)選擇待進(jìn)化的種群。為了使每個(gè)種群得到充分地進(jìn)化，預防最優(yōu)解的丟失，這里采用設置退火步長(cháng)的策略來(lái)實(shí)現模擬退火選群。該策略具體為：使退火步長(cháng)對同一種群作為父代的次數進(jìn)行計數，一旦產(chǎn)生更優(yōu)種群則退火步長(cháng)就置零并重新計數。若退火步長(cháng)累計超過(guò)一定的閾值時(shí)，就進(jìn)入模擬退火選群階段。退火步長(cháng)累計到一定數量意味著(zhù)原有種群的進(jìn)化已經(jīng)停滯，需要用模擬退火算法擺脫這種停滯狀態(tài)。如果增幅比大于零，則說(shuō)明新生種群優(yōu)于原有種群，這時(shí)完全接受新種群進(jìn)入下一輪進(jìn)化;否則新生種群劣于原有種群，并以一定的概率p接受較劣的新生種群[8]進(jìn)入下一輪進(jìn)化。接受概率p由式(6)和式(7)共同決定，其中dis為增幅比，T(s)指溫度參數，T0和s分別是初始溫度和迭代次數。

　　以上兩式的參數要滿(mǎn)足進(jìn)化對接受概率的要求。即增幅比負增長(cháng)越大，接受概率降低越迅速，但接受概率隨迭代次數的增加應緩慢下降。這樣做能夠保證在有限的迭代次數內有一個(gè)適應度較優(yōu)的新生種群進(jìn)入下一輪進(jìn)化，以達到減少計算量和優(yōu)選待進(jìn)化種群的目的。在本文中T0=0.2，A=0.9，m=0.5。

　　實(shí)例的驗證與分析

　　UCI數據庫常用來(lái)比較各種方法的分類(lèi)效果，因此可以用其驗證本算法對支持向量機作用后的分類(lèi)效果[9][10]。文獻[11]采用了UCI數據庫中的German、Ionosphere和Sonar三種數據作為實(shí)驗對象，為了便于與文獻[11]中所用的幾種方法進(jìn)行對比，本文也采用這三種數據進(jìn)行實(shí)驗，并按照文獻中所述的比例將各類(lèi)數據分成相應的訓練樣本和測試樣本。