典型文献
基于SHO-SA算法的案例推理预测模型特征权重优化
文献摘要：
针对案例推理(case-based reasoning,CBR)检索过程中特征权重的分配结果直接影响CBR预测模型性能的问题,提出了一种基于自私牧群优化-模拟退火(selfish herd optimizer-simulated annealing,SHO-SA)算法的特征权重优化分配方法.首先,将CBR预测模型的均方根误差定义为SHO算法和SA算法中权重寻优的适应度;然后,通过SHO算法的牧群运动、捕食及恢复等步骤得到种群内最小均方根误差所对应的权重;最后,采用SA算法对上述权重进行随机搜索,从而获得特征权重的近似最优解.采用加州大学欧文分校(University of California Irvine,UCI)数据集中的5个标准回归数据集进行实验,结果表明该方法与一些典型的优化方法相比可以显著提高CBR预测模型的精度,说明SA算法能够改善SHO算法陷入局部最优的问题.
文献关键词：
案例推理;案例检索;特征权重;自私牧群优化;模拟退火;分配权重
中图分类号：
作者姓名：
严爱军;丁凯
作者机构：
北京工业大学信息学部,北京 100124;数字社区教育部工程研究中心,北京 100124;城市轨道交通北京实验室,北京 100124
文献出处：
引用格式：
[1]严爱军;丁凯-.基于SHO-SA算法的案例推理预测模型特征权重优化)[J].北京工业大学学报,2022(04):355-366
A类：
自私牧群优化
B类：
SHO,SA,案例推理,模型特征,特征权重,权重优化,case,reasoning,CBR,模型性能,模拟退火,selfish,herd,optimizer,simulated,annealing,优化分配,分配方法,适应度,捕食,最小均方,随机搜索,近似最优解,加州大学,欧文,分校,University,California,Irvine,UCI,局部最优,案例检索,分配权重
AB值：
0.387956
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
