Optimization&Learning的博客

本教程分为五个部分；合成少数过采样技术不平衡学习库用于平衡数据的 SMOTESMOTE 分类具有选择性合成样品生成功能的 SMOTE边界-SMOTE边界-SMOTE SVM自适应合成采样 (ADASYN)

引力搜索算法( Gravitational Search Algorithm，GSA )是一种基于重力和质量相互作用规律的新型启发式优化方法。经验证，该算法具有良好的全局寻优能力，但在最后一次迭代中存在搜索速度慢的问题。本文提出了一种粒子群优化算法( Particle Swarm Optimization，PSO )和GSA的混合算法来解决上述问题。本文将GSA和PSOGSA作为前馈神经网络( FNNs )的新训练方法，以研究这些算法在减少陷入局部极小和当前进化学习算法收敛速度慢的问题上的效率。

BBO 基于生物地理学的优化器训练神经网络多层感知器( Multi-Layer感知器，MLP )作为应用最广泛的神经网络之一，已被应用于许多实际问题中。多层感知器需要针对特定的应用进行训练，经常会遇到陷入局部极小值、收敛速度和对初始化敏感等问题。本文提出使用最近发展的基于生物地理学的优化( BBO )算法来训练MLPs来减少这些问题。为了研究BBO在训练MLPs时的效率，使用了5个分类数据集和6个函数逼近数据集。