基因表达式编程诱导的集成分类器与分布式架构蚁群优化算法研究

### 基因表达式编程诱导的集成分类器与分布式架构蚁群优化算法研究 在机器学习和网络优化领域，基因表达式编程（GEP）诱导的集成分类器以及分布式架构下的蚁群优化算法（ACODA）是两个备受关注的研究方向。GEP诱导的集成分类器在数据分类任务中展现出了强大的能力，而ACODA算法则为动态网络中的路径优化问题提供了新的解决方案。 #### GEP诱导的集成分类器 在GEP诱导的集成分类器中，决策轮廓矩阵的行中可能包含不同数量的有意义元素，因为在学习过程中，某些类别可能比其他类别需要更多的基因。 算法MVC（聚类学习）的输入是带有正确标签的训练数据，这些数据表示|C|个类别，并被划分为|C|个子集，同时还需要指定聚类的数量k。输出是每个类别和每个聚类的P个基因的种群。具体步骤如下： 1. 对于每个类别i（i = 1, ..., |C|），使用k - 均值算法将数据集TDi划分为k个聚类CLi1, ..., CLik，每个聚类有其质心CNTi。 2. 对于每个聚类j（j = 1, ..., k），重复P次调用GEP算法，以找到一个最适合类别i和数据集CLij的基因g。 在测试阶段，对于实例d和每个类别i（1 ≤ i ≤ |C|），找到最近的聚类Cji，即dist(d, Cji) = min1≤l≤k(dist(d, Cli))。然后，为每个类别i，由聚类ji生成的基因构成决策轮廓。 GEP诱导的集成分类器可以看作是一组表达式树，这些表达式树可以很容易地转换为分类规则。例如，在避孕方法选择数据集的实验中，MVI集成诱导出了一系列规则，可用于对该数据集的案例进行分类。 为了评估GEP诱导的集成分类器的性能，进行了计算实验。实验涉及从UCI机器学习库中选取的多个医疗数据集，包括威斯康星乳腺癌（WBC）、克利夫兰心脏病（Heart）、肺癌（Lung）、避孕方法选择（CMC）、大肠杆菌（Ecoli）和皮马印第安人糖尿病（Pima）。实验计划基于对每个基准数据集和每个集成分类器（GEPA、MV、MVC、MVI）进行十次独立的十折交叉验证实验。性能标准是正确分类的百分比及其在所有100次运行中的标准偏差。 实验结果表明，所提出的GEP诱导的集成分类器通常表现良好。然而，每个算法都需要设置多个参数，包括种群大小、迭代次数和遗传操作的概率，这在微调阶段需要一定的计算量。不过，除了种群大小和迭代次数外，其余参数对计算效率和分类器性能的影响并不显著。 以下是相关数据集的基本特征表格： | 数据集 | 案例数量 | 属性数量 | 类别数量 | | --- | --- | --- | --- | | WBC | 699 | 9 | 2 | | Heart | 303 | 14 | 2 | | Lung | 32 | 56 | 2 | | CMC | 1473 | 9 | 3 | | Ecoli | 336 | 8 | 8 | | PIMA | 768 | 8 | 2 | 不同集成分类器在各数据集上的性能表现如下表所示： | 数据集 | GEPA（%正确，标准差） | MV（%正确，标准差） | MVC（%正确，标准差） | MVI（%正确，标准差） | | --- | --- | --- | --- | --- | | WBC | 98.57，1.79 | 97.80，2.78 | 96.70，2.49 | 95.60，4.97 | | Heart | 88.00，6.12 | 86.50，4.56 | 84.40，5.17 | 82.75，2.39 | | Lung | -，- | 80.10，23.30 | 90.10，15.94 | 86.70，23.32 | | CMC | -，- | 53.35，3.35 | 50.49，3.20 | 56.20，3.05 | | Ecoli | -，- | 89.77，4.24 | 85.90，6.90 | 87.60，4.30 | | PIMA | -，- | 75.20，4.32 | 76.7