论文部分内容阅读
在智能学习领域,集成学习是一个新的研究热点。集成学习从提出之日起就受到广泛的关注。集成学习以其良好的性能和可操作性,在众多的领域得到广泛的应用。同时,在智能学习领域中,单亲遗传算法是一个新提出的研究热点。单亲遗传以其良好的性能和对组合优化问题的特殊求解能力得到众多学者的推崇。本文基于上述两种算法,在集成学习和单亲遗传算法方面作了具体的研究。本文的主要工作包括:(1)在集成学习方面,在研究集成学习工作原理的基础上对算法的有效性作了实证性研究。通过试验在UCI数据集合的基础上对Boosting算法作了实证性研究,主要包括:有用性;稳定性;集成学习的参数优化作用;最后,从Margin的角度,以图形的形式给出了Boosting算法有效性的直观解释和Boosting算法在一些数据集合上产生过适应问题的一种实验解释。(2)在上述研究的基础上,针对Boosting算法最后的关于集成权值问题,运用遗传算法和最小二乘法对最终权值进行了进一步的优化。结果表明:重新优化后的集成权值在神经网络集成方面表现出了更高的性能。(3)在单亲遗传算法方面,针对工业生产中广泛存在的一维原材料切割问题(CSP),提出了一种运用改进的单亲遗传算法进行优化求解的有效方法。引入一种精简编码策略和保持最优个体遗传的操作算子,能够更快的在全局范围内寻找到最优问题解。实际的应用结果表明此算法是解决CSP问题的一种有效算法。