在复杂的医疗数据降维:改进的自适应小生境遗传算法

文摘

随着医疗技术的发展,越来越多的生产参数来描述人类生理条件,形成高维的临床数据。在临床分析中,数据通常利用建立数学模型并进行分类。高维临床数据将会增加分类的复杂性,通常利用在模型中,从而降低效率。小生境遗传算法(NGA)是一个很好的降维算法。然而,在传统的NGA,提前利基距离参数设置,防止它适应环境。本文介绍了一种改进的小生境遗传算法(INGA)。它使用了一个自适应niche-culling操作在利基市场环境的建设提高种群多样性,防止局部最优解。因加在脓毒症患者的分层模型中得到证实。结果表明,通过应用印加,数据集的特征维数从77减少到10,该模型实现了92%的准确性预测28天死于脓毒症患者,明显高于其他方法。

1。介绍

临床决策系统能够辅助疾病诊断和预测临床结果在对治疗的反应1,2]。脓毒症的诊断,提出了评分系统,如急性生理和慢性健康评估(APACHE),顺序器官衰竭(沙发),评估和临床肺部感染评分(cpi) [1,3]。他们的挑战,因为传统的标记感染误导和缺乏更好的预后评价方法(1,4- - - - - -6]。改善治疗的结果,诊断模型需要准确预测脓毒症的发展以及分层其严重性(7]。

然而,败血症的临床资料参与诊断模型通常是高维。高维数据集增加分类的复杂性,减少模型的影响(8]。因此,在建立模型之前,有必要降低数据维数,同时保留原始数据的基本信息。特征提取和特征选择是降维的主要方法(2,9]。

(一)特征提取。特征提取将原始特征空间转换成一个新的较低的维度。算法和主成分分析(PCA)、多维标度(MDS)和独立分量分析(ICA)是广泛用于特征提取。然而,ICA和PCA是线性投影方法,如果特征向量分布在一个高维非线性流形空间,他们可能会导致分类错误(10,11]。此外,MDS欠采样数据和敏感有困难在处理缺陷数据(12]。此外,MDS的PCA和ICA降维后,将产生新的参数和新的参数的意义并不总是可判断的。

(B)特征选择。特征选择是一种过程,从最初的特性,选择最优的特征子集保留足够的信息(13]。目前,相当多的特征选择算法开发,如遗传算法(气)、支持向量机(SVM)包装,稀疏的广义偏最小二乘(PLS)选择,和粒子群优化(PSO)14- - - - - -17]。其中,天然气被普遍使用。然而,在一些多峰优化问题,气体未能维护多个全局或局部最佳状态(13]。因此做了许多努力来提高气体的能力在实现多个峰值的解决方案,通过添加扩展健康和健身能力调整规则(18]。

(一)气体。遗传算法被用来减少的数量特征数据集(19- - - - - -21]。遗传算法管网优化模型(基因组)已经被应用于优化新的循环灌溉配水网络的设计(22]。一个在线网络特征选择工具(dwf)是根据遗传包装的开发模式(23]。然而,当使用气体(24- - - - - -26),很难处理问题,如非线性奇异,多通道的。关键问题是,人口很容易困在有限数量的解决方案;和过早的解决方案没有能力获得更好的结果(18]。因此,介绍了小生境遗传算法(nga)来构建一个更好的环境来解决这个问题。

(b) nga。的功能定位多个位点通常允许nga是健壮和有效的解决多峰优化问题(27- - - - - -29日]。TCGA Twin-space拥挤遗传算法()和博弈论的遗传算法(GTGA)介绍了文献[18,30.]。工作报告(31日]表明,Nondominated排序遗传算法(NSGA)缺乏精英主义,需要指定共享参数(32]。然而,大多数细分方法需要先验知识,如小生境半径或阈值的距离。因此,利基距离设置随机或提前设置为固定值。这些技术不能自适应地得到进化后的利基距离和容易消除潜在的优秀个人33,34]。

来解决这个问题,我们提出了改进NGA (INGA)算法与自适应嵌入niche-culling降维的机制。因为MDS和PCA是典型的特征提取算法GA和NGA是典型的特征选择算法,我们比较它们与印加的降维结果来验证在降维印加的有效性。通过应用印加,改善脓毒症疾病分类的准确率是值得注意的,尽管数据维度是合理降低。

2。方法

NGA的想法是一个利基的生物概念应用到进化计算。它显示了一个生存环境与预定的距离参数。的NGA是提前设置,只允许一个优秀的个体在这个距离。NGA具有以下主要的缺点。(1)一个固定的距离参数影响收敛速度。如果该值的太大,会有很多人在这个距离,他们需要扑杀。这将降低收敛速度。相反,如果该值太小,没有足够的个人,这将导致过早收敛。(2)个体将抑制潜在的个人。在距离只允许一个优秀的个人,将导致消除潜在的优秀个人和降维的结果太大。(3)亚种群的多样性是不够的。人口多样性亚种群规模密切相关,但NGA的亚种群规模提前设置,不能调整。很难找到一个最佳的亚种群的规模。因此,如果亚种群规模太大,人口的多样性很容易被摧毁;相反,将会增加额外的计算算法。要解决这些问题,我们开发了利基取消操作,如(A)部分所示。然后,印加构造,如部分(B)(图所示2)。

(一)利基取消操作

(一)自适应生存的距离。的距离参数被设计成自适应每一代的个体之间的欧氏距离,以避免造成的收敛问题预设: 和当前人口的两个个体,这是由基因座的基因。是个体在当前人口的数量。位点的数量,这是用来形成和评价个体的长度。和位点的值。的距离参数通过计算 因为每一代的个体不同和距离的值参数随一代,一个合理的距离参数将在每一代的进化过程获得更好的市场环境。

(b)相似准则。让一个优秀的个体,这将导致消除潜在的优秀个人,可能不是类似于保留好。所以,在距离参数biallelic位点的相似之处是用来判断相似的个人和确定个人应该保留。

biallelic相似的位点,平均两个人之间的相似性是由以下两个方程: 在哪里代表了两个人之间的相似性,和。是相同的等位基因的数量两个个体的价值。考虑 代表平均相似性个人和其他人。当,两个人之间的相似性将杰出。如果相似度大于平均相似度,有较低的个人健身会罚函数,如以下所示的方程。否则,较低的健康个体可以保留: 在哪里是原来的个人健身,是新的健身,然后呢是罚函数(通常是)。这种方法可以减少个人的消除。

(c)保持种群的多样性。保持群体的多样性,亚种群的规模应控制。(6)和(7)设计最优个体的内存池限制每一代的亚种群的规模: 在哪里代表了一代的平均健身价值,代表个人的健康在一代,一代人口的规模。因此,生成的亚种群规模是。这是计算 内存池的最优个体的目的是交流优秀的个体进化。操作增加的可能性得到更多优秀的个体,并在某种程度上,避免了过早收敛的问题,在一个人口的进化过程。一般的人按适应度排序,创造者吗放入内存池。

通过的结果保持种群多样性的能力,,被设计为在接下来的两个方程。的值越小是,较高的人口多样性: 在哪里是能够保持种群多样性的一代。和设计如下: 在哪里的长度是个体编码,一代人口的规模,是th基因座的个人。

(B)印加的流程图

步骤1(计算健身)。起初,初始个体是随机产生的。通常,它的倒数之和错误分类器的测试集数据作为适应度函数(33)为了充分反映控制错误的优势结合印加分类器: 在哪里测试集的预测价值,测试集的真正价值,测试集的样本数量。个人按健身在降序排列,排序和前人记得在内存池()。

步骤2(利基消除操作产生优秀的初始个体)。在这一步中,优秀的初始个体产生,如图1。(一)自适应生存。首先,计算欧氏距离之间的和根据(1)。其次,计算自适应生存的距离根据(2)。(b)相似准则。在距离判断个体的相似性根据不同等位基因的方法,以确定是否应该保留。当biallelic位点的相似性和平均两个人之间的相似性比较。如果他们不相似,较低的个人健身需要不被淘汰。biallelic位点的相似性和平均相似度两个人之间的(3)和(4)。当,然后是惩罚,使用罚函数根据(5)。如果不是,较低的个人健身将被保留。另一方面,当较低的,个人健身将被保留。(c)维持种群多样性。根据(7),亚种群的数量计算。个人按健身在降序排序,如果现有的分组人口的规模大于,选择个人;否则,个人合并内存池中与现有的亚种群和按健身在降序排序;当前个人的选择;当,个人将随机生成;个人选择,条件是。通过这种方法,最初的人口将有更高的平均健康和有利于人口的发展对问题的解决方案。

步骤3(自适应交叉和变异操作)。考虑到交叉和变异概率,它太小了,逃避使系统陷入局部最优解,如果太大,它可以摆脱局部最优解,但很容易不稳定和收敛,因为交叉和变异的计数是如此频繁。为了改善这个缺点,自适应交叉的方程和变异概率使用(35,36]: 是最大的健身价值;每个人口的平均适应度值;是两个人过的更大的健身价值;和是突变的个体的健身价值。,分别是两个个体的交叉概率值;和是两个个体的变异概率值。

步骤4(利基取消操作)。自适应交叉和变异操作后,再把新的个人利基消除操作来获取最优个体,如图1。

第五步(判断终止条件)。如果它不满足终止条件,那么更新计数器作为并使人口的一步4成为新的下一代种群,然后去一步2。如果终止条件满足,输出最优降维参数选择。

3所示。数据集描述

实验是在脓毒症数据集,数据来自浙江医院。分类器的目标是确定,根据提供的测试结果,病人是否应诊断为28天死亡(37]。两类样本的数量是平衡的。训练集包含124 -(28天死亡)病例和173阳性病例。同样,测试组由77 - 123样品和积极的。表中数据组织与77年的列属性为特定患者和497行样本。这个表中的遗漏值,因为有一些问题没有被回答,所以我们取而代之的是0。属性之间没有任何关联,这创造了一个正交空间使用欧氏距离。所有样品包括相同数量的属性(13]。

4所示。实验装置

这项工作用PCA, MDS, NGA和印加减少数据集的维数,和选择的算法还结合三个典型的分类器,随机森林(RF)、支持向量机(SVM)和反向传播(BP)。实验设置如下。

设置初始人口规模。文献[37,38)表明,最优初始种群数量应该从20到100;现在的工作需要90的初始种群考虑到计算时间和搜索的范围。存储个人在小生境遗传算法通常选为三分之一的人口规模。交叉的概率是由(11)和变异概率是由(12)。

设置编码。表中数据组织与77年的列属性的病人和每一位被分配给一个特性;因此,编码长度设计为77。如果th位= 1,那么th功能是参与分类;否则,不涉及相应的功能,如图3。

设置收敛条件。进化一代根据先前发表的作品被设置为100 (13,37]。适应度函数的倒数是模型的预测误差平方的总和。收敛时达到最大和最小健身价值观是等价的。本文采用最大进化生成和融合程度的人口来构造算法收敛的条件:结束时计算能满足两个条件之一;即进化一代人口到达预设值或收敛出现(36]。

设置实验运行时间。实验使用倍交叉验证,80%的随机选择样本作为训练集,其余的被用作测试。实验重复了100次(39]。

5。结果

脓毒症的临床表现疾病是复杂的,并且很难准确确定28天死亡。本研究将改进的自适应小生境遗传算法应用于诊断感染性28天死亡的过程,使用降维获取最优特征参数,提高诊断精度。不成熟的国家,人口分布、分类、精度和鲁棒性被用来衡量算法的质量。

(一)不成熟状态。避免过早的状态是一个标准的算法;过早意味着表现如下:(a)的人口多样性降低,(b)的收敛能力很低,和(c)收敛速度低。因此,我们使用这些因素测量算法是否为时过早。

(一)人口的多样性。谢弗函数,表示为(13),是用于生成数据和人口多样性的结果,计算(9),如表所示1: 我们可以看到从表1的价值GA和NGA的印加小于相同条件下的进化一代又一代,展示印加维持种群多样性的优势。

(b)收敛能力。收敛能力意味着能够获得全局最优值时,算法停止。我们知道从谢弗的属性功能,全球最大的是1,两个局部极大值附近的最大价值是0.99028和0.96278。如果最大值大于0.999,我们可以判断收敛的外表,和全球解决方案。当局部极大值值获得,我们可以认为没有收敛,因为只有当地的解。因此,GA, NGA和印加用于获得谢弗函数的最大值,如表所示2。

从表中的数据2,我们可以看到,在10个独立的实验,更容易为GA和NGA分为两局部极大值。有10倍印加搜索全局最优值,有7次NGA搜索全局最优的解决方案,和GA只有4倍,这意味着有一定的差距的能力这两个算法搜索全局最优解而印加。

(c)收敛速度。比较遗传算法收敛曲线,NGA和印加如图4。我们可以看到从图4印加最快的收敛速度。它聚集的平均健身20代。剩下的两个算法融合的平均健身42th和67代,分别。

(B)人口分布。节2,自适应生存距离是用于设置NGA的距离,和相似准则是用来确定个人是否保留。他们构成了人口分布。所以人口分布的图是建立评估自适应生存的影响距离和相似准则的方法。

图5是领域内的人口分布距离。这表明最终的人口通过印加可以更均匀分布;因此自适应生存距离和相似准则设计本文是自适应的。

(C)降维分类。评估性能的降维,PCA, MDS, NGA,和印加嵌入在BP,支持向量机,射频分类器进行分类诊断。分类的准确性和ROC曲线关系图如下所示。

(一)分类的准确性。之前和之后的数量特征子集降维表所示3。结果表明,印加具有更好的控制特性子集的数量比其他降维方法,作为一个小数量的特征子集被印加获得。然而,仅仅考虑特征子集的数量是不够的,应该结合分类精度。之前和之后的分类精度降维图所示6。它是注意到降维后的精度明显提高;最高的精度被RF-INGA获得。

(b)中华民国曲线。接受者操作特征(ROC)曲线和曲线下面积(AUC)如图7和8。

从数据7和8印加产的,我们可以看到一个更好的结果,中华民国的覆盖领域提供了一个明显的改善与PCA相比,MDS, NGA。同时,获得了最高的AUC射频INGA降维后分类器。

(D)的鲁棒性。算法的鲁棒性测试数据中通过引入随机噪声。的k倍交叉验证方法用于比较噪声的影响。5%的样本,随机选择从训练集,和他们的标签改变,作为噪声样本。操作重复了100次,平均价值被比较的分类精度。

从图9,我们可以看到,噪音构成明显的影响在主成分分析的降维方法和MDS。与图相比6,三种分类器的精度下降了18%到35%;相反,印加被嘈杂的环境影响较小,和三个分类的准确性印加只下降了3%到13%。印加算法的鲁棒性增强,抗噪音的能力是最好的,尤其是当结合射频。

6。讨论

集成特征选择算法和分类准确性临床脓毒症数据都是有效的。印加表现出优势比其他方法,特征选择,此外,INGA-RF获得分类精度高于90%确定死亡的脓毒症患者中,显示所有的最佳性能的技术和使用只有10特性。

目前的研究提出了一种改进的印加算法解决过早国家在传统GA和NGA,有减少人口的多样性特征,弱收敛能力,和较低的收敛速度。如表所示1,对于衡量人口多样性,印加的最小值0.5629与GA相比,NGA。如表所示210独立实验中,印加实现全球最佳在所有的实验中,当NGA和GA成功只有7和4个实验,分别。图4展示了一代又一代的收敛收敛速度估计。印加有收敛速度最快的20代,而42和67代GA和NGA所需,分别。这些发现表明,印加优越整体的其他方法。

印加的控制性能在避免过早收敛欠以下改进工作:(i)的引入自适应生存距离:从传统的方法不同,生存距离自动调整在每一代的进化过程;这确保合理的距离参数并导致一种自适应细分市场环境;这种方法可以获得更合理的个人的全局优化能力和高收敛速度;(2)的应用一个保留更合理的个体的相似准则:biallelic位点的相似性是用来决定是否应该保留个人在附近;这种方法可以更合理的个人收获,找到全局最优解的可能性增加;和(3)最优个体的使用内存池:是为了储备池和交流优秀的每一代进化个体;这保持人口的多样性,增加了优秀个体的数量;在某种程度上,它也避免了过早收敛的问题,在一个人口的进化过程。

临床败血症病例显示测试结果,结合印加,三种类型的分类器达到92%的精度预测28天死亡(RF), 78% (SVM),分别为和77% (BP)。相比之下,最高精度的分类器采用NGA, PCA, MDS仅为70%。这表明,印加有效提高分类器的性能对于复杂的临床数据。

不过,值得指出的是,目前的工作有一些局限性。首先,印加的有效性只有在脓毒症患者进行测试。虽然算法一般功能,有必要调查印加进一步数据集的有效性。第二,印加和分类器之间的一致性仍不清楚。我们的工作表明射频方法嵌入印加主要是满足。可能出现的一个问题是如何算出最优组合的降维算法和分类器。这个问题是当前工作的范围,这是集中在降维。然而,它应该在进一步研究阐明。

7所示。结论

提出了一种改进的算法特性降低高维数据。被嵌入的方法分类器预测脓毒症患者的预后基于复杂的临床数据。结果表明,改进的NGA,印加,是最有效的减少属性的数量和提高收敛速度与其他常用算法相比,如主成分分析、MDS, NGA。此外,印加与射频达到最高的精度评估脓毒症的严重程度。这表明,印加有潜在的复杂的数据处理,特别是对医疗模式识别。

利益冲突

朱敏静夏Molei燕,Guolong Cai,静颜和Gangmin宁宣布没有利益冲突有关的出版。

确认

这项工作是由中国国家自然科学基金(批准81271662),浙江省科学技术部(批准2011 r50018),和中国卫生部格兰特(201202011)。

引用

1. k . m . Ho”结合顺序器官衰竭(SOFA)评估得分与急性生理和慢性健康(APACHE)进行评分预测医院危重患者的死亡率,”麻醉和重症监护,35卷,第521 - 515页,2007年。视图:谷歌学术搜索
2. t . Jirapech-Umpai美国艾特肯,“微阵列数据的特征选择和分类分析:进化的方法识别预测基因,”BMC生物信息学》第六卷,第148条,2005年。视图:出版商的网站|谷歌学术搜索
3. c . BalcI h . Sungurtekin e . Gurses Sungurtekin,和b . Kaptanoglu“实用性原降钙素对脓毒症的诊断重症监护室,”急救护理,7卷,不。1,第90 - 85页,2003。视图:出版商的网站|谷歌学术搜索
4. e·席尔瓦·m·d·a·佩德罗·a·c·b·Sogayar et al .,”巴西脓毒症的流行病学研究(研究基地),“急救护理,8卷,不。4,R251-R260, 2004页。视图:出版商的网站|谷歌学术搜索
5. c c。Jenq M.-H。蔡,研究。田et al .,“步枪分类可以预测短期预后病危肝硬化患者,”重症监护医学,33卷,不。11日,第1930 - 1921页,2007年。视图:出版商的网站|谷歌学术搜索
6. r·塞利格曼·m·梅斯纳葡京t . c . et al .,“减少原降钙素和c反应蛋白与机械通气相关肺炎是生存的强烈预报,“急救护理,10卷,不。5篇文章R125 2006。视图:出版商的网站|谷歌学术搜索
7. n . g . morgenthal j ., m . Christ-Crain a·伯格曼和b·穆勒”Pro-atrial利钠肽是脓毒症的预后标记,类似于APACHE II评分:一项观察性研究中,“急救护理,9卷,不。1,R37-45, 2005页。视图:出版商的网站|谷歌学术搜索
8. k·k·巴蒂电信和p·k·辛格(manmohan Singh)“三级用于文本聚类的无监督降维方法,”计算机科学期刊,5卷,不。2、156 - 169年,2014页。视图:出版商的网站|谷歌学术搜索
9. t . z . Liu柴、w . Yu和j .唐”多频信号建模利用经验模态分解和PCA与应用程序轧机负荷估计,“Neurocomputing卷,169年,第402 - 392页,2015年。视图:出版商的网站|谷歌学术搜索
10. j .鲑鱼,z Harmany C.-A。Deledalle, r·威雷特”与非本地PCA泊松噪声降低,”《数学成像和愿景,48卷,不。2、279 - 294年,2014页。视图:出版商的网站|谷歌学术搜索|MathSciNet
11. 和j·j .阴y . Wang,“一种新的降维算法对高光谱图像使用进化策略,”IEEE工业信息,8卷,不。4、935 - 943年,2012页。视图:出版商的网站|谷歌学术搜索
12. m . Mignotte”MDS-based多分辨率非线性降维模型对彩色图像分割,“IEEE神经网络,22卷,不。3、447 - 460年,2011页。视图:出版商的网站|谷歌学术搜索
13. m . l . Raymer w . f .打孔,e·d·古德曼·a·库恩和a . k . Jain,“使用遗传算法降维,”IEEE进化计算,4卷,不。2、164 - 171年,2000页。视图:出版商的网站|谷歌学术搜索
14. 田中k、t . Kurita和t . Kawabe”选择进口向量通过二进制粒子群优化和交叉验证内核逻辑回归,”《国际联合会议上神经网络(IJCNN ' 07),页1037 - 1042,奥兰多,佛罗里达州,美国,2007年8月。视图:出版商的网站|谷歌学术搜索
15. a . Ratnaweera s . k . Halgamuge, h·c·沃森“自组织层次粒子群优化器与时变加速度系数,”IEEE进化计算,8卷,不。3、240 - 255年,2004页。视图:出版商的网站|谷歌学术搜索
16. s a·汗·m·纳齐尔n . Riaz和m .汗”优化的特点选择使用混合PSO-GA视点性别分类,“阿拉伯国际信息技术杂志》上,12卷,不。2、183 - 189年,2015页。视图:谷歌学术搜索
17. r·贝洛y戈麦斯,a . Nowe和m·m·加西亚”两步粒子群优化解决特征选择问题,”学报》第七届国际会议上智能系统设计和应用程序(ISDA ' 07),页691 - 695,里约热内卢,巴西,2007年10月。视图:出版商的网站|谷歌学术搜索
18. c·陈,t·刘,j .周”小说拥挤遗传算法及其应用制造机器人,”IEEE工业信息,10卷,不。3、1705 - 1716年,2014页。视图:出版商的网站|谷歌学术搜索
19. f . e . Fassnacht h . Latifi, b·科赫”一个角对成像光谱植被指数data-preliminary结果森林破坏检测在巴伐利亚国家公园,德国,”国际期刊《应用地球观测和地质信息,19卷,不。1,第321 - 308页,2012。视图:出版商的网站|谷歌学术搜索
20. g . c .花花公子,a·r·辛普森和l . j .墨菲”一种改进的遗传算法对管网优化”,水资源研究,32卷,不。2、449 - 458年,1996页。视图:出版商的网站|谷歌学术搜索
21. h . Latifi a Nothdurft b·科赫,“非参数预测和映射的站在温带森林木材体积和生物质:应用程序的多个光学/ LiDAR-derived预测,“林业,卷83,不。4、395 - 407年,2010页。视图:出版商的网站|谷歌学术搜索
22. j . Reca和j·马丁内斯,“遗传算法循环灌溉配水网络的设计,“水资源研究,42卷,不。5篇文章ID W05416 2006。视图:出版商的网站|谷歌学术搜索
23. o . Soufan d . Kleftogiannis p . Kalnis v . b . Bajic d·古普塔,“dwf:包装器特性选择工具基于并行遗传算法,”《公共科学图书馆•综合》,10卷,不。2篇文章ID e0117988 2015。视图:出版商的网站|谷歌学术搜索
24. C.-T。程,k . Fallahi h .梁和c k .谢霆锋“无人水下潜航器遗传algorithm-inspired基于动态规划的路径规划,“IEEE系统,人,控制论C部分:应用程序和评论,42卷,不。6,1128 - 1134年,2012页。视图:出版商的网站|谷歌学术搜索
25. c c。许,Y.-J。陈,M.-C。陆,美国。李,“最优路径规划整合全球和本地搜索移动机器人,”学报第一IEEE全球消费电子会议(GCCE 12)IEEE,页668 - 671年,东京,日本,2012年10月。视图:出版商的网站|谷歌学术搜索
26. c . Hocaoglu和a·c·桑德森“计划与进化的物种形成,多条路径”IEEE进化计算,5卷,不。3、169 - 191年,2001页。视图:出版商的网站|谷歌学术搜索
27. l .清w .帮派、y Zaiyue和w·Qiuping“拥挤聚类遗传算法多峰函数优化。”应用软计算,8卷,不。1,第95 - 88页,2008。视图:出版商的网站|谷歌学术搜索
28. a . a . Alugongo“多峰问题,过早收敛和动态优化设计计算工作,”世界大会在工程学报》上,3卷,伦敦,英国,2011年7月。视图:谷歌学术搜索
29. b . Sareni l . Krahenbuhl和a·尼古拉斯,”小生境遗传算法优化的电磁学。即基本面。”IEEE磁学,34卷,不。5,2984 - 2987年,1998页。视图:出版商的网站|谷歌学术搜索
30. 答:大官邸、美国Kulturel-Konak和l·斯奈德诉“可靠的服务器分配问题的遗传算法博弈论的攻击下,“计算机与工业工程卷,85年,第85 - 73页,2015年。视图:出版商的网站|谷歌学术搜索
31. k . Deb, s . Agrawal A .普拉塔普,t . Meyarivan”快速精英non-dominated排序遗传算法多目标优化:NSGA-II,”从自然PPSN VI并行解决问题卷,1917在计算机科学的课堂讲稿施普林格,页849 - 858年,柏林,德国,2000年。视图:出版商的网站|谷歌学术搜索
32. j .角:Nafpliotis, d·e·戈德堡”外帕累托遗传算法多目标优化”学报第一进化计算IEEE会议,1卷,页82 - 87,IEEE,奥兰多,佛罗里达州,美国,1994年6月。视图:谷歌学术搜索
33. a .依Brownlee o . Regnier-Coudert j·a·考尔的女性,和s . Stulajter”应用GA与马尔可夫网络代理的特征选择,”国际系统科学杂志》上,44卷,不。11日,第2056 - 2039页,2013年。视图:出版商的网站|谷歌学术搜索|MathSciNet
34. b . Sareni和l . Krahenbuhl”健身共享和小生境方法重新审视,“IEEE进化计算,卷2,不。3、97 - 106年,1998页。视图:出版商的网站|谷歌学术搜索
35. c w Ho k·h·李,和k . s .梁,“基于变异的遗传算法和自适应交叉概率,”美国国会在99年进化计算(CEC),卷1,IEEE,华盛顿特区,1999年7月美国。视图:出版商的网站|谷歌学术搜索
36. t . Ingu和h高木涉”,加速遗传算法收敛由单峰函数拟合”诉讼IEEE国际模糊系统的会议,3卷,第1420 - 1415页,首尔,韩国,1999年8月。视图:出版商的网站|谷歌学术搜索
37. b·l·米勒和m . j . Shaw”遗传算法与动态利基分享多峰函数优化”《IEEE国际会议上进化计算,791年,p . 786年IEEE,名古屋,日本,1996年5月。视图:出版商的网站|谷歌学术搜索
38. 诉Narayan和g . Subbarayan”的使用遗传算法的最优特征子集选取叶分类,“阿拉伯国际信息技术杂志》上,11卷,不。5,447 - 451年,2014页。视图:谷歌学术搜索
39. d .拿破仑和美国Pavalakodi”,一种新的降维方法使用k - means聚类算法对于高维数据集,“国际期刊的计算机应用程序,13卷,不。7,41-46,2011页。视图:出版商的网站|谷歌学术搜索

版权

版权©2015分钟朱镕基等。这是一个开放分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。