12、基于方差的粒子群优化算法及乳腺癌预测研究

基于方差的粒子群优化算法及乳腺癌预测研究

1. 基于方差的粒子群优化算法（VPSO）

1.1 算法原理

为解决粒子群算法陷入局部最小值的问题，采用动态策略更新粒子速度。当种群方差较小时，意味着粒子趋于收敛到某一点，这可能是局部最小值。为摆脱这种局部陷阱，需增加粒子速度，使其跳出局部陷阱，从而增强在大搜索空间中的探索能力。在提出的策略中，当种群方差高时，粒子更多地进行开发（趋于收敛）；当方差低时，粒子探索更大的搜索空间，实现了对探索和开发的动态控制。

第 $i$ 个粒子的速度根据以下公式计算和更新：
$v_{id}^{k + 1} = v_{id}^{k + 1} \times exp^{-\lambda\times variance^{k}}$
其中，$variance^{k}$ 表示第 $k$ 次迭代时的方差，$\lambda \geq 0$ 是一个权重参数，为种群方差提供相对权重。

1.2 VPSO 算法步骤

以下是 VPSO 算法的具体步骤：
|步骤|操作|
|----|----|
|1|使用均匀随机数生成器初始化粒子 $X$。|
|2|将速度向量 $V$ 初始化为常数正数（如 0.1），并设置 $\lambda = 1$。|
|3|计算第 $i$ 个粒子的适应度 $f(X_{i})$ 并赋值给 $Posi$。对于函数优化，它可能是目标值；对于特征选择，$f(X_{i}) = \alpha \times(100 - accuracy)/100 + (1 - \alpha) \times(n - |F|)/n$，其中 $|F|$ 表示所选特征集的大小。|