文摘

大数据的快速发展,大数据研究安全保护行业已经越来越被视为一个热点。本文主要旨在解决预测问题的青少年犯罪的趋势是基于心理犯罪青少年盲目的实验数据。为了解决这个问题,本文提出了一个粗略的蚁群分类算法,称为RoughAC,首次使用概念在粗糙集的上、下近似集来确定隶属程度。此外,在蚁群算法中,我们使用会员值来更新信息素。实验表明,该算法不仅可以解决过早收敛问题造成的停滞在局部最优解附近,还解决了连续域和组合优化问题,取得更好的分类结果。此外,对预测分类算法有很好的效果,可以为青少年犯罪的趋势预测提供指导。

1。介绍

目前,许多研究人员模拟生物群体行为来解决计算问题,他们已经形成了一个理论体系,重点是组织智慧。通过观察和研究生物组织,团队智能的合作与竞争产生的个人在生物群体可以提供有效的解决方案特定的问题(1]。蚁群算法(2)等人马克•多日于1991年第一次被提出。他们发现,蚁群可以快速找到目标通过分泌生物叫做信息素的激素当蚂蚁搜索食物。在此基础上,提出了蚁群算法基于正反馈原理。根据昆虫科学家的观察,虽然蚂蚁视觉不发达,他们可以找到食物源的最短路径巢穴没有任何提示。周围的环境变化后,他们自适应地寻找新的最佳路径。当蚂蚁寻找食物,他们可能释放出一种激素,称为信息素,它们走过的路径;因此,在一定范围内可以检测其它蚂蚁。当越来越多的蚂蚁通过一些路径,信息素也越来越多,所以蚂蚁有更高的概率选择这条道路。然后反复,这条路变得更的信息素。这个选择的过程叫做蚂蚁的自催化行为。 For a single ant, it does not have to find the shortest path, it should just choose the shortest path according to probability. However, for the whole ant colony system, they can achieve the objective effect of the original algorithm to find the optimal path. That is group intelligence [3]。

结合粗糙集理论,在本文中,我们提出一种基于粗糙集的蚁群算法,称为RoughAC算法。它获得通过粗糙集理论首先成员值。然后,它使用成员值来更新信息素。详尽的实验表明,RoughAC算法不仅能克服原算法的缺点也提高分类的准确性和减少时间的成本。

2。相关工作

蚁群算法是受生物进化的机制。通过模拟自然蚂蚁搜索路径的行为,一种新型的模拟进化算法(4)提出,这是一个主要算法领域的组织情报理论研究[5]。该方法用于解决TSP问题,分配问题,和作业车间调度问题,取得了较好的实验结果。虽然学习时间是有限的,目前的研究表明,蚁群算法在解决复杂优化问题(有一定的优势6- - - - - -8),这表明它是一种很有前途的算法。蚁群算法不同于大多数应用程序基于梯度的优化算法(9- - - - - -11];群体智慧依赖概率搜索算法(12- - - - - -14]。与梯度方法和传统的进化算法相比,概率搜索算法通常使用更多的评价功能,具有显著的优势。优势主要体现在缺乏集中控制的约束,不会影响整个问题由于个人的失败。解决方案确保系统更健壮。间接信息交换方法保证了系统的可伸缩性和并行分布式算法模型,充分利用多处理器。

在90年代,蚁群优化algorithm-ant系统第一次被提出并应用于解决经典的旅行商问题(TSP)的计算机算法(15]。从蚂蚁系统,基本的蚁群算法不断开发和完善,进一步验证在TSP和许多实用的优化问题。这些改良的共同特征之一,蚂蚁系统(AS)是提高能力蚂蚁搜索过程中探索最优解。它们之间唯一的区别是搜索控制策略。此外,蚁群优化(ACO)最好的结果是通过引入局部搜索算法(16- - - - - -18]。实际上,这是一个标准的本地搜索算法和混合概率搜索算法,这有利于提高解决方案的质量优化问题的蚁群系统。

最初,有三个版本:Ant-density, Ant-quantity Ant-cycle。Ant-density Ant-quantity,蚂蚁信息素更新每次运动后两个位置之间的节点。不同于Ant-density和Ant-quantity Ant-cycle,毕竟蚂蚁信息素更新已经完成了自己的旅程。每只蚂蚁的信息素释放被表示为一个函数,反映了相应的质量之旅(19]。与其他一般启发式算法相比,这三个基本的解决能力算法在TSP是理想的不超过75个城市,但解决问题的能力大大降低,当问题规模扩展。因此,后续算法的研究工作主要集中在改善性能。早些时候的一个改进是精英策略。这个想法是为了给所有的额外增强算法开始以来的最佳路径发现和记录后续行程作为全球最佳的行程。旅行时更新信息素,这些都是加权和旅行蚂蚁通过这些都是标记为“精英”,这就增加了一个更好的旅行的机会。这种改进算法能更快更好的解决方案。然而,如果选择太多的精英,搜索的算法过早停滞会导致由于早些时候收敛到局部次优的解决方案。

德国学者托马斯Stutzle等人提出另一个通用改进的蚁群算法:最大最小蚁群系统(mma),它使用的上下界给定的信息容量,使路径上的信息素量不低于下限,超过上限,避免缺点,所有蚂蚁选择相同的路径。Gambardella等人提出了一种改进的蚁群算法(ACA)、全球信息素更新,解决了收敛速度慢的问题,解决大规模问题时困难产生有效的解决方案。然而,在蚁群算法仍存在一些缺点:(1)过早的问题和早期收敛停滞在域造成的一些局部最优解;(2)不能得到正确的解决方案组合优化问题。

灵感来自上面的讨论中,本文提出了一种基于粗糙集的蚁群算法。该算法首先利用粗糙和上近似集的概念获得隶属函数。然后,加入值用于改进蚁群算法的信息素更新。它不仅可以得到正确的结果的组合优化问题,也解决的问题停滞,早熟,收敛,等等。

3所示。初步知识

3.1。标准AG)算法的原理

蚁群算法是一种仿生算法,模拟自然蚂蚁的路径搜索方法。在运动中,蚂蚁可以把一种叫做信息素的物质在它经过的路径信息传递。蚂蚁可以感知这种物质在运动和使用它作为一个指导运动的方向。因此,大量蚂蚁组成的蚁群行为显示了一个正反馈现象:通过路径的蚂蚁越多,概率就越大,后来者将选择的路径。该算法是基于以下基本假设。

假设1。蚂蚁通过信息素和环境进行通信。每只蚂蚁响应只对当地环境,只会影响周边环境。

假设2。蚂蚁对环境的反应是由其内部模型。因为蚂蚁是基因生物,蚂蚁的行为实际上是他们的基因的适应性表现,也就是说,蚂蚁响应自适应实体。

假设3。在个体层面,每只蚂蚁仅使独立的选择根据环境;在集团层面,一个蚂蚁的行为是随机的,但蚁群可以通过自组织形成高度有序的群体行为的过程。
从上面的假设和分析,我们可以看到基本蚁群算法的优化机制包含两个基本阶段:适应阶段和合作阶段。在适应阶段,每个候选解决方案不断调整自己的结构根据积累的信息。通过路径的蚂蚁越多,信息量越大,越容易的路径可以选择;时间越长,越小的信息量;在协作阶段,候选解彼此交换信息,期待一个更好的性能的解决方案,类似于学习自动机的学习机制。
蚂蚁总数的蚂蚁可以被定义为 在哪里代表的蚂蚁数量的元素我在时间t,在路径信息的数量(t j)时间t,n代表了TSP的大小。
2乘2是残余的集合信息连接的元素在集合C在时间t。每条路径上的信息量是最初的时候 集。基本蚁群算法优化的方向图吗 。
蚂蚁k= (k= 1,2,…,m)决定运动的方向根据每条路径上的信息量在运动。禁忌表 这里使用记录城市蚂蚁吗k目前走过,收集是动态调整的进化的过程。蚂蚁在搜索过程中,计算状态转移概率基于每条路径上的信息量和启发式信息的路径。代表了蚂蚁的过渡的可能性k从元素我元素j在时间t,如fd2: 在哪里 代表了城市蚂蚁k被允许选择next。α是信息启发式因子,反映了蚂蚁在运行过程中所扮演的角色的蚂蚁在运动。蚂蚁的价值越大,越蚂蚁倾向于选择路径通过其他蚂蚁,和较强的协作。β预期的启发式因子,反映了启发式信息的重要性在蚂蚁选择路径在蚂蚁的运动。值越大,越接近贪婪的状态转换规则。是一个启发式函数的表达式如下: 在哪里代表两个相邻城市之间的距离。对蚂蚁k,越小 ,越大和越大 。
为了避免洪水的问题由于多余的残留信息素的启发式信息,之后每只蚂蚁已经完成或完成遍历所有的一步n城市,剩余信息更新。因此,路径上的信息量(我,我)时间 可以调整按照下列公式: 在哪里代表了信息素挥发系数,1−ρ代表信息素残留的因素,代表了增量路径上的信息素(我,j在这一周期。在最初的时间 ,在哪里代表了留下的大量信息kth蚂蚁的路径(我,j在这一周期。
根据不同的信息素更新策略,他们被分成三个不同的基本蚁群算法模型:Ant-Cycle模型公式(6),Ant-Quantity模型公式(7),Ant-Density模型公式(8)。所不同的是,一个方法是不同的。在Ant-Cycle模型中, 在哪里表示信息素的强度,影响算法的收敛速度在一定程度上代表了总长度的路径kth蚂蚁在这个周期。
在Ant-Quantity模型中, 在Ant-Density模型中, 该算法包含了一系列的控制参数,对算法的性能有重要的影响,包括以下几点:(算法1)[20.]。(1)启发式因子α和β:α是信息素的重要性,反映了剩余的信息量的相对重要性在蚁群的运动引导蚁群搜索。越大α越多,信息素的作用路径选择的可能性就越大,蚂蚁会选择他们所选择的路径,走之前,和搜索的随机性会削弱。越小α是,蚁群算法将过早陷入局部最优。当α=0,信息素的信息不会被使用。搜索是贪婪的搜索。β是可见性的重要性,反映了启发式信息的相对重要性在引导蚁群的搜索过程。这表现为启发式信息先验和确定性因素优化过程。越大β越大,城市之间的距离对路径选择的影响,以及更大的蚂蚁选择当地的最短路径的可能性在当地。虽然收敛速度加快,随机性减弱,容易陷入局部最优。当β= 0,明确倾向于忽略有吸引力的解决方案,该算法等价于业绩不佳的简单蚁群优化(中美合作)。α和β确定过去的搜索体验之间的相对重要性和固有的启发式信息的问题。他们出现在大多数蚁群算法和算法的性能有至关重要的影响。自α和β是两个跃迁概率的主要因素,罢工之间的平衡浓度信息素和启发式信息,勘探和开发之间的关系通过结都可以很好地处理一个和β。(2)信息素挥发系数ρ:模仿人类记忆的特点,随着新信息的增加,旧信息将被逐渐遗忘和削弱。因此,ρ介绍了电缆代表的挥发速度信息。为了防止无限的信息,积累的价值范围ρ设置为[0,1]。的大小ρ直接相关的全局搜索能力和收敛速度的蚁群算法。如果ρ增加,信息素挥发速度,对过去的历史经验不太敏感,强调信息的影响留下的最近路线选择7。(3)信息素强度因子 : 代表总视图的信息发布的蚂蚁在周期或一个过程。在某种程度上,它影响了当地的算法的收敛速度。越大 ,更多的信息请求离开每次蚂蚁经过,和更快的积累信息请求的遍历路径。提高蚁群搜索的积极反馈有利于算法的快速收敛。

3.2。粗糙集

粗糙集理论(21- - - - - -23)是一种新的数学工具来处理不确定性和不准确的地方。人工智能和认知科学是非常重要的,它提供了一个非常有效的信息处理领域的理论框架机器学习,数据挖掘,知识获取、决策分析和支持系统、模式识别、专家系统、细粒度的计算、近似推理、控制科学,等等。同时,粗糙集方法等许多方面有重要的应用医学、金融、气象、图形处理、语音识别、字符识别。因此,自成立以来,它已经收到了广泛的关注。粗糙集理论处理的主要问题包括知识的知识表达系统,发现知识的相关性,评价数据的意义,收购决策控制算法、近似分类(22,24,25),和近似推理。粗糙集不仅可以表达模糊概念,也清晰的概念。模糊集和粗糙集理论能处理不确定性和不准确性的问题。它们是泛化和经典集合理论的重要发展。然而,他们的重点是不同的。例如,对象的隶属程度x在模糊集合理论不依赖于其他对象的域,通常由专家直接或通过统计方法获得。它能反映客观事物的变化规律,但也有很强的主观性,缺乏准确性。隶属函数的值对象的粗糙集理论取决于知识库。它可以直接从数据处理,没有任何外部信息。因此,更客观的用它来反映知识的模糊性。同时,两者之间也有联系,因为给一个等价关系(知识)R宇宙的U和U,任何子集一个(概念)的宇宙实际上对应于一个模糊集B。它的上、下近似等价于内核和分支的模糊集,即

由此,我们可以看到,下近似1割集一个,和上近似正是强大的0割集一个。简而言之,模糊集和粗糙集可以描述知识的不确定性,但各自的重点是不同的。有一种强烈的模糊集理论和粗糙集理论之间的互补性。两个理论已经被证明更强功能通过优化和集成处理知识的不确定性和不完全性。例如,投影集合理论是在模糊集理论的框架开发的,但处理信息的方法是类似于粗糙集,及其应用在某些领域显示了优势。有许多模糊粗糙集混合模型解决实际问题,一些单一的模型不能解决。这表明两种理论的融合是一种有效的方法来解决复杂问题。

4所示。粗糙的蚁群算法

4.1。相关的概念

蚁群算法不仅能够智能搜索和全局优化还具有鲁棒性的特点,正反馈、分布式计算和容易与其他算法结合,建造性,可用于人工蚂蚁的特点加入自然蚂蚁前瞻性和回溯等根据需要。蚁群算法的出现为解决复杂优化问题提供了一个强大的工具在许多领域。尽管蚁群算法有许多优点,但也有一些缺陷。与其他方法相比,该算法通常需要长时间搜索,和蚁群算法的复杂性反映了这一点。虽然计算机计算速度的增加和固有的并行蚁群算法在一定程度上可以缓解这个问题,这仍然是一个大障碍对大规模优化问题。此外,该方法容易出现停滞现象。即搜索达到一定水平后,发现所有个人的解决方案往往是一致的,不能进一步搜索解空间,不利于找到一个更好的解决方案。蚁群算法中,蚂蚁总是依赖其他蚂蚁的反馈信息来加强学习,不考虑自己的经验的积累。这样盲目的顺从行为往往会导致过早和停滞现象,因此算法的收敛速度变得更慢。针对上述缺点,蚁群使用粗糙集的分类算法可以更好地解决上述问题。

定义1。近似精度
给定一个等价关系R宇宙的U和U的近似精度和粗糙度X定义的等价关系R如下: 错误的设置是由边界的存在域。边界越大,精度越低。为每一个R和 , 。当 ,的R边界的领域X是空集,所以准备好了吗X是一组精确的R;当 ,一组X有一个非空R域边界,因此集X是一个R粗糙集;当X是空集,我们指定 。的R粗糙度的X相对精度,这反映了我们理解的不完备的范畴的表达吗X在知识R。
让我们给一个等价关系R之间的话语U和宇宙U和一个细分 在宇宙U,这个部门是独立的知识R。其中,子集 是一个等价类划分 。的上下近似R为是 基于上述定义,近似R -分类精度的近似分类质量分区分别定义如下:

定义2。重要性程度。
给定一个知识库 代表一个团体或个人系统参数描述系统的特性。 和分区 宇宙的U独立的系统参数R,的重要性程度X对于系统参数R表示为 在哪里代表了域的边界X,U表示域。当 ,结果表明,R能够准确地描述一组X;当 ,它表明,R不能确定宇宙中任何元素的总和U属于X。

定义3。粗糙度。
直观地,粗糙集理论不需要任何先验知识对事物的不准确。它只取决于给定的表达系统和直接计算了上、下近似算子。这是完全不同于概率论和模糊集理论。从粗糙集理论的角度,客观事物的不准确造成的有限知识的本质。换句话说,它是由于能力有限的结果被分类的对象。因此,人们可以通过分类处理不准确的数值特性没有任何先验知识,然后表达概念的准确性。粗糙度的公式如下所示:

定义4。隶属程度。
介绍会员价值通过粗糙集的近似精度可以消除停滞现象的基本AG)算法社区附近的一个或一些当地的最优解,因为近似精度本身保持平衡全局和局部搜索能力。这使得每个搜索蚁离开一个适当的路径上的信息素量可能是最佳的解决方案组件基于调查表格。隶属度的公式 在哪里和是会员最大和最小值,f是当前信息数量;是最低数量的当前蚁群的信息;和的平均值最低数量的当前蚁群的信息。
粗糙的蚁群算法利用上述定义修改路径上的信息量和得到如下表达式:

4.2。算法的描述

根据上面的定义和分析,提高算法的步骤如下(算法2)[20.]。

该算法的最关键的一步是更新信息素浓度的步骤7。当所有蚂蚁到达终点,信息集中的每条路径必须更新一次。因此,信息素的更新分为两个步骤:(1)在每一轮之后,问题空间中的所有路径上的信息素会蒸发,和隶属函数得到的粗糙集理论。(2)所有蚂蚁释放的信息素在自己的边缘将根据自己的道路的长度,然后使用方程(19)来更新信息素。

5。实验结果和分析

5.1。实验TSP实例

为了测试的结果RoughAC算法的最优路径,本文将蚁群算法应用于TSP和用Matlab实现了它。测试算法的例子是从TSPLIB中选择的。案例名称中的数字表示城市的数量。在该算法中, 和 。mma的相比,本文的算法测试RoughAC算法的优化效果。mma是最大和最小蚂蚁系统,使用本地更新策略和全局更新策略。表1实验数据。

我们知道,在解决小型,中型的,或大规模TSP问题,通过比较可以看到算法的优越性的质量解决方案。在这里,mma, SCA, SSA MFO, WOA算法相比,改进的RoughAC算法。通过数据统计,可以理解,改进算法的性能很好。表2显示了10的统计实验的实验数据表1:

的比较的平均最优解算法的偏差图所示1。

其中,TSP实例对应的TSP问题,算法的最优解是最好的一个获得10分。算法的平均最优解代表平均10个最佳路径。第一个偏差表示偏离传统蚁群算法的改进蚁群算法。第二个偏差代表之间的偏差,最好的和最著名的发现了两种算法的解决方案。从第一个偏差,我们可以看到,在最优值的列偏差,偏差的问题是积极和mma算法的平均偏差小于2.9% RoughAC,这不仅表明,改进算法的质量高于mma在所有的问题,但差距也很大。的平均偏差,偏差的所有问题是正的,mma的平均偏差为3.19%。这表明,改进算法比mma更加稳定的稳定的解决方案。在第二个偏差,可以看出RoughAC有偏差(0)和有一个非常高质量的解决方案。因此,RoughAC算法比mma算法在求解质量和解决稳定。

5.2。实验数据分类

为了测试的结果RoughAC分类算法,实验使用13执行真正的分类在UCI数据集。与mma分类算法相比,ACA算法,然而算法,支持向量机算法,mma是一个改进的蚁群算法和ACA是一个原始蚁群分类算法。这些类型的蚁群算法代表分类算法。实际数据集上实验UCI表所示3。常用的测试数据集,这些数据集的数量有一定程度的分化属性和集群的数量。的情况下,一些数据集的属性并不在同一数量级,规范化。

实验结果准确性的评估标准(Acc)和时间。准确性是广泛使用的信息检索和统计领域的评估分类结果的质量。时间是用来代表分类算法的速度和反映算法的时间复杂度。准确率的索引值越大,分类效果越好。时间越小,代表算法的效率就越高。准确的定义如下: 其中,k是集群的数量,代表正确分为集群,U是整个样品。

RoughAC分类算法实验使用13个UCI训练和测试提供的真实数据集的算法。数据如表所示3。实验方法采用随机测试方法。9/10的数据集随机选择作为训练集,剩下的1/10数据用于测试的分类性能。对于每个数据集,100个随机采集标本和100的平均分类表现算作是分类的结果。表4显示每个分类方法的准确性。

表5显示了每个方法的预期收敛时间在每个数据集。

根据表中的数据4和图2,可以看出RoughAC算法的准确性高于ACA算法和mma的算法。因此,可以看出,改进的RoughAC算法基于粗糙集可用于分类问题,准确率大大改善了与原蚁群算法相比,和其他改进mma分类算法的准确率也显著提高。因此,RoughAC分类是有效的。预期的收敛时间描述预期的时间,蚁群算法首次达到全局最优解的概率。收敛时间越小,蚁群算法收敛越快,效率越高。该算法使用16个数据集测试算法的收敛时间和其他改进的蚁群算法。从表可以看出5预期的RoughAC算法收敛时间在所有测试数据集比ACA和mma小。因此,这个算法的收敛速度快于其他两种算法,及其效率也高于其他两种算法。

5.3。青少年的盲目服从实验心理学和犯罪行为

为了证明的有效性青少年盲目的服从与犯罪行为之间的关联预测模型基于多目标进化算法,一个实验是必要的。实验数据收集从12监狱(包括女子监狱)8个省、自治区、直辖市人民政府。囚犯的数量是1000,其中包括500名男性和500名女性。下的平均年龄是18岁。青少年盲目的服从心理和犯罪行为之间的相关性预测通过使用算法和原算法,分别。根据不同实验时间,综合性能的相关性预测不同的模型进行比较。不同模型的精度、效率和稳定性是作为综合性能的评价指标。结果显示在图。

对图的分析3表明该模型的平均预测精度约为93.94%,传统模型的平均预测精度约为70.72%,和该模型的预测精度高于32.81%的传统模式。对图的分析4表明该模型的平均预测效率约为93.71%,传统模型的平均预测效率约为71.02%,和这个模型的预测效率约为31.93%高于传统模式。图5表明该模型的平均预测稳定性是大约92.72%,传统的模型是70.19%左右。该模型的预测稳定性高于32.08%的传统模式。

图6显示了变化在不同的误码率迭代。出错率越低,模型的精度较高。随着迭代次数的增加,相应地越来越低的错误率。实线代表了成本。随着迭代次数的增加,成本的错误率也减少。迭代越多,违约成本分配给模型更准确,模型的准确性更高。虚线代表的错误率的当前最优值的粒子。它还减少随着迭代次数的增加,表明粒子的当前最优值也在不断接近全局最优值,和模型的精度较高。

图5显示模型的精度在不同的特征子集。从图可以看出,所有功能不需要达到高精度,其中只有一半或更少的可以用来达到满意的精度,这减少了运行时间,减少所需的内存空间。特征子集的大小会影响模型的准确性在一定程度上。从图可以看出,精度相对较高的数量特征子集时大幅总体特征子集的一半。也就是说,一个完整的特性集不需要达到满意的精度与大维度的数据集。只需要能一半或更少的特性集而不降低模型的准确性。

从图可以看出7的特征子集RoughAC模型更准确和特征子集的数量也少,所以模型具有更少的运行时间和内存。相反,当特征子集的数量达到最大值时,模型的准确性降低,所以,众所周知,没有使用更多的功能,是一种精度高和一些特性可能会影响模型的准确性。蚁群算法是不准确,由于使用更多的功能,运行时和内存模型的相应增加。总体而言,该模型的性能更好的准确性和使用的特征子集数量。

6。结论

本文以青少年为对象,研究青少年犯罪的趋势当作动力,并提出了一种粗糙的蚁群分类算法,更新会员的信息素值。算法使用概念在粗糙集的上、下近似集来确定隶属程度,然后使用隶属程度的值来更新信息素。它解决了原算法的缺点,如连续域和组合优化,过早收敛和局部最优解。大量的实验表明,在分类方面,RoughAC比AGA算法不仅有更多的优点,mma,和其他蚁群算法还有准确率高于资讯,支持向量机等分类算法。这使RoughAC算法能够准确地分类少年犯罪的更好的管理。在预测方面,RoughAC算法可以准确地预测年轻人犯罪的倾向通过现有的问题。这个算法的研究做出了很大贡献青春的犯罪心理。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突。

确认

作者要感谢实验室的支持,大学和政府。这项工作是支持由中国自然科学基金会(61873117)。