基于進(jìn)化多目標(biāo)優(yōu)化的多標(biāo)簽分類算法研究.pdf

1、根據(jù)樣本擁有的標(biāo)簽數(shù)，可將分類問題分為單標(biāo)簽和多標(biāo)簽分類問題。傳統(tǒng)的多標(biāo)簽分類方法主要對單個的性能標(biāo)準(zhǔn)或啟發(fā)式函數(shù)進(jìn)行優(yōu)化，但實際上在很多多標(biāo)簽分類問題中，需要同時對多個不同的目標(biāo)進(jìn)行協(xié)調(diào)，因此本文主要研究對多個目標(biāo)進(jìn)行優(yōu)化的多標(biāo)簽分類算法。
　　針對帶有擁擠距離機(jī)制的非支配排序遺傳算法(NSGA-Ⅱ)存在非支配解集分布不均勻和重復(fù)個體較多等問題，本文提出一種基于向量空間模型的遺傳算法VSGA。該算法將向量空間模型引入到進(jìn)化多目標(biāo)

2、優(yōu)化問題中，形成了一種以目標(biāo)權(quán)重向量間的夾角值作為分布性估計的排擠制度，并對重復(fù)個體進(jìn)行剔除。仿真實驗結(jié)果表明，與NSGA-Ⅱ相比，VSGA得到的Pareto前沿更加光滑，非支配解的分布性更好。
　　針對優(yōu)化目標(biāo)不一致或相沖突的多標(biāo)簽分類問題，本文提出了一種基于進(jìn)化多目標(biāo)優(yōu)化的多標(biāo)簽分類算法ML-EMO。該算法首先隨機(jī)生成一組規(guī)模系數(shù)不同的ML-RBF分類模型，并以分類評價標(biāo)準(zhǔn)作為優(yōu)化目標(biāo)，然后使用上述算法VSGA對該組模型進(jìn)行優(yōu)