基于多样性的自适应粒子群算法的研究及在网页分类中的应用

基于粒子群算法各个控制参数和邻域结构对优化过程及结果的影响分析,不同优化过程对粒子群的多样性的需求期望分析，和粒子群群体行为的动态分析，本课题提出一种基于多样性的粒子群控制参数和邻域结构自适应调整的新策略。通过定义粒子群瞬时多样性和目标多样性，分析瞬时多样性与目标多样性的组合与粒子群算法不同优化过程的内在联系，建立粒子群控制参数和邻域结构对瞬时多样性和目标多样性的影响，探索一种新的基于多样性的自适应粒子群算法，使之可用于更好地解决广泛的优化问题。最终，本课题将应用基于多样性的自适应粒子群算法解决优化网页分类的问题：自动优化选择网页的结构特征和信息特征和对应的分类方法以及分类指标之间的平衡，达到更为准确的网页分类。预期的研究成果将解决粒子群算法自适应的问题，是粒子群算法应用普适性的前瞻性研究。研究成果将在理论研究和实际应用中取得创新成果，为商业应用奠定坚定基础。

本项目主要围绕粒子群优化算法（PSO）群体多样性的定义、监测和控制开展研究。首先，讨论了多种不同群体多样性的定义。每一种定义有其自己的特点和适用面，可用于在求解不同类型问题的PSO中监控群体多样性；为使得群体多样性定义更具有普适性，讨论和定义了归一化的群体多样性；讨论和分析了PSO在不同领域结构下搜索信息的传播方式和传播速度。仿真实验求证了在求解不同类型问题时，应采用不同的PSO领域结构来获得更适合的搜索信息传播方式和速度，或者说，来获得不同的群体多样性的动态变化；仿真实验研究了PSO领域结构和参数对群体多样性的影响；研究和讨论了PSO的不同边界约束处理方式以及它们对群体多样性的影响；分析和定义了多目标粒子群算法（MOPSO）的群体多样性。在单目标PSO群体多样性的基础上，在MOPSO中，还应考虑archive集和Pareto集中所有个体的群体多样性，因而MOPSO的群体多样性可提供更丰富的动态搜索信息。其次，在观察和分析PSO群体多样性的基础上，讨论和研究了多种控制群体多样性的方法来提高PSO性能。研究了通过加入平均速度到各个维度上，对算法的多样性进行自适应控制的方法；动态利用PSO速度分布信息（相似于速度多样性定义）和位置分布信息（相似于位置多样性定义）来自适应调整PSO惯性参数；设计了一种动态缩减搜索区域的方法。在一定的迭代次数后，在各个维度，消去粒子群体较少出现的区域。通过不断地迭代，PSO的搜索区域就可以缩减到一个较小的范围，从而可以提高搜索的效率。这种方法特别适用于应用ＰＳＯ求解大规模优化问题。最后，将ＰＳＯ应用于中文网页分类。通过将ＰＳＯ应用到已经分类样本的选择中、应用于最近邻算法的参数优化中、或者应用于分类示例样本的初始化上来提高中文网页分类准确度或精确率。另外，还提出和研究了多种新的群体优化算法：如头脑风暴优化算法。这些算法直接或间接地通过各种不同的操作来改变群体多样性，从而实现更好的优化性能。.项目期间,按照自然基金申请书提出的计划进行研究，已经完成了自然基金申请书中提出的全部目标。其中发表论文27篇（标注基金资助），编辑书2本（标注基金资助），申请中国发明专利2项，培养和指导学生多名，以及（参与）举办国际会议10次。