[发明专利]基于增强学习型菌群觅食算法的特征选择方法

说明书

本发明公开一种基于增强学习型菌群觅食算法的特征选择方法，方法包括：初始化细菌群落的位置、最大循环数值、迭代次数初始值；细菌群落中每一个菌体表示待选择的特征向量的权重向量；根据RL中最大化历史经验值策略，为每一菌体选择一种运动行为并执行，获取更新后的每一菌体的更新位置及更新位置后每一菌体的适应度值；基于RL规则，针对每一菌体适应度值的变化，获取反馈值；根据反馈值更新每一菌体所累积的历史经验值，将迭代次数增加1，重复上述过程，直至迭代次数大于最大循环数值时，输出细菌群落。本发明的方法采用增强学习型的优化方式代替了传统的概率型优化方式，能够得到更好的识别结果并且耗时较少。

技术领域

本发明属于特征选择技术，尤其涉及一种基于增强学习型菌群觅食算法的特征选择方法。

背景技术

近年来，生物启发式计算取得了极大的发展。研究者受生物系统在应对复杂环境时表现出的鲁棒性和自适应性所启发，提出许多模拟生物觅食行为的计算模型与算法以解决复杂工程中的各类复杂优化问题，可以方便地应用于网络化工程计算、图像处理等领域。

群体智能算法属于生物启发式优化算法。这类新型的启发式优化算法具有潜在的并行性、分布式和可重构性等特征。它是通过模拟自然界生物群体行为建立起的数学模型，以目标函数的形式描述所要解决的寻优问题。细菌觅食算法(Bacterial foragingoptimization algorithm，BFO)是模拟细菌群体觅食行为的优化模型，属于群体智能算法中的一员。尽管BFO在低维连续性优化问题中表现出精细搜索特性和全局寻优能力；然而，当面对高维离散性问题时，它又因容易陷入局部最优解而产生预收敛现象。因此，BFO如何解决这些问题成为群体智能领域研究的热点。

发明内容

针对现有技术中的问题，本发明提供一种基于增强学习型菌群觅食算法的特征选择方法，该方法在面对高维离散性问题时，不会陷入局部最优解的收敛性的问题。

第一方面，本发明提供一种基于增强学习型菌群觅食算法的特征选择方法，包括：

步骤S1、初始化细菌群落的位置，设置最大循环数值设置最大循环数值和迭代次数初始值；所述细菌群落中每一个细菌菌体表示待选择的特征向量的权重向量；

步骤S2、根据增强学习RL中最大化历史经验值策略，为所述细菌群落中每一细菌菌体选择一种运动行为；

步骤S3、在每一细菌菌体执行运动行为之后，获取更新后的每一个细菌菌体的更新位置；

步骤S4、获取更新位置后的每一个细菌菌体的适应度值；

步骤S5、基于RL规则，针对每一个细菌菌体更新前的位置和更新后的位置的适应度值的变化，获取反馈值；

步骤S6、根据所述反馈值，更新每一个菌体所累积的历史经验值，输出细菌群落；

步骤S7、将迭代次数增加1，重复步骤S2至步骤S6，直至所述迭代次数大于等于最大循环数值时，输出细菌群落。

可选地，所述运动行为包括下述的一种或多种：

自适应趋化行为；

复制行为；

强化性驱散行为；

融合性交叉行为。

可选地，所述步骤S2包括：

步骤21、为每个细菌菌体设定初始状态和初始动作；为每个细菌菌体设定Q-矩阵以保存积累的历史经验，并且Q-矩阵初始化为0；

步骤22、针对每个细菌菌体的当前状态s_t，根据Q-矩阵的内容，选择最优动作a_t；

步骤23、每个细菌菌体执行各自的动作a_t；