多子群自组织聚合的PSO数据分类

穆华平+焦长义

摘 要 引入多子群动态演化的结构改善PSO算法的收敛性能，在对数据样本进行预处理的基础上，构造了一种适合多子群PSO算法的分类规则编码和适应度函数。通过对UCI的四个数据集的分类实验，验证了该分类方法的性能优势。

关键词 多子群 PSO算法 数据分类 自组织

中图分类号：TP183 文献标识码：A

3仿真实验

3.1数据来源与参数设置

为了验证新算法的数据分类性能，本文选用UCI 数据库中常用的3个数据集进行仿真实验，并将其与PSOC、复合粒子群分类算法和MPSO-HLC的性能进行比较。算法参数设置如下：种群规模 N= 40，Gmax= 500，择优连接概率p取0.4，适应度方差的阈值取0.01，实验数据集的样本数量和特征如表1所示。

3.2实验结果分析

数据分类过程包括规则提取和数据分类两个阶段，因此实验中将数据集随机分成训练数据集和测试数据集两部分，试验中二者的比例取2：3。表2显示了新算法与复合粒子群分类算法以及PSOC在上述四个数据集的分类结果。

从表2的实验结果可以看出，除了MPSO-HLC分类算在Pima数据集上的分类准确率更高以外，本文提出的基于多子群的PSO算法的数据分类方法在准确率上都要明显高于其它三种算法，并且标准差低于较小，这说明该算法具有较好的稳定性。这一方面归功于多子群的引入使得PSO算法的群体多样性得到提高，有利于算法后期的“勘探”和“开采”，提高了算法的收敛精度；另一方面，在分类规则的提取上，采用的是各个子群的最优个体的编码映射，相当于对提取的分类规则进行了择优筛选，因而能够以更高的准确率覆盖数据集。然而，实验中也发现，由于算法增加了算法搜索停滞的判断和群体的动态聚合过程，一定程度上增加了算法的时间复杂度。

4结论

设计了一种适合多子群PSO算法的规则编码，并构造了合适的适应度函数，引入多子群动态聚合模型改善算法，以提高数据分类的准确度。通过UCI的4个标准数据集的实验表明，新算法能够明显提高数据分类的准确率，且稳定性很好。

基金项目：河南省高等学校重点科研项目（项目编号：15B520014）。

参考文献

[1] 张红蕊，张永，于静雯.云计算环境下基于朴素贝叶斯的数据分类[J].计算机应用与软件，2015，32（3）：27-30.

[2] 张晓贺.决策树分类器的实现及在遥感影像分类中的应用[D].兰州交通大学，2013.

[3] 黄宇栋.BP神经网络在信息系统数据分类中的应用研究[D].中国地质大学，2013.

[4] Kennedy J，Eberhart R C.Particle Swarm Optimization [C].Proceedings of the 1995 IEEE International Conference on Neural Networks. Piscataway， Perth，NJ，USA：IEEE service center，1995：1942-1948.

[5] 王旸，刘晓东，徐小慧，等.基于粒子群优化的数据分类算法[J].系统仿真学报，2008，20（22）：6158-6162+6168.

[6] 曾正良，罗可，邹瑞芝.基于复合粒子群的数据分类方法[J].计算机工程与应用，2009，45（7）：156-158.

[7] 王利霞.改进的粒子群优化算法及其在数据分类中的应用[D].西安电子科技大学硕士学位论文，2014.