-
公开(公告)号：CN109840551A
公开(公告)日：2019-06-04
申请号：CN201910030755.9
申请日：2019-01-14
Applicant: 湖北工业大学
Abstract: 本发明公开了一种用于机器学习模型训练的优化随机森林参数的方法，首先将整个蚂蚁种群划分为若干个子种群；然后将每一个子种群对应RDD中的一个分区，并在一个分区中指定独立进化；最后利用迁移算子在各子种群之间交换信息。相比于传统的网格搜索，基于Spark的并行蚁狮算法可以高效找到更优参数组合以提高随机森林的分类精度，且在大数据分布式Spark平台下，寻优计算速度快，加速效果明显，可以作为云计算平台的下一代参数优化器。
-
Patent Agency Ranking
公开(公告)号：CN110059875B
公开(公告)日：2023-02-17
申请号：CN201910295219.1
申请日：2019-04-12
Applicant: 湖北工业大学
IPC: G06Q10/04 , G06Q10/0631 , G06Q50/30
Abstract: 本发明公开了一种基于分布式鲸鱼优化算法的公共自行车需求量预测方法，首先读取原始公共自行车数据集Dataset，存储在HDFS中；初始化RDD数据集和鲸鱼种群Whale，将RDD作map转换处理；根据鲸鱼初始位置值计算出适应度值fitness；根据参数选择鲸鱼捕食的策略；在Spark平台上，根据策略公式更新鲸鱼位置，然后根据公式计算出新的适应度值，并找出最好的值和当前最优值比较，若优于则代替；若满足终止条件则找出最好的鲸鱼的位置，否则回到步骤4；根据所选出的最优特征子集，使用随机森林回归模型和未来的天气数据、时间数据对站点的公共自行车需求进行预测。本发明使用基于分布式鲸鱼优化算法的特征子集优化，应用Spark分布式平台上对其进行优化，提高分类性能和运行效率。
-
公开(公告)号：CN109840551B
公开(公告)日：2022-03-15
申请号：CN201910030755.9
申请日：2019-01-14
Applicant: 湖北工业大学
Abstract: 本发明公开了一种用于机器学习模型训练的优化随机森林参数的方法，首先将整个蚂蚁种群划分为若干个子种群；然后将每一个子种群对应RDD中的一个分区，并在一个分区中指定独立进化；最后利用迁移算子在各子种群之间交换信息。相比于传统的网格搜索，基于Spark的并行蚁狮算法可以高效找到更优参数组合以提高随机森林的分类精度，且在大数据分布式Spark平台下，寻优计算速度快，加速效果明显，可以作为云计算平台的下一代参数优化器。
-
公开(公告)号：CN110059875A
公开(公告)日：2019-07-26
申请号：CN201910295219.1
申请日：2019-04-12
Applicant: 湖北工业大学
Abstract: 本发明公开了一种基于分布式鲸鱼优化算法的公共自行车需求量预测方法，首先读取原始公共自行车数据集Dataset，存储在HDFS中；初始化RDD数据集和鲸鱼种群Whale，将RDD作map转换处理；根据鲸鱼初始位置值计算出适应度值fitness；根据参数选择鲸鱼捕食的策略；在Spark平台上，根据策略公式更新鲸鱼位置，然后根据公式计算出新的适应度值，并找出最好的值和当前最优值比较，若优于则代替；若满足终止条件则找出最好的鲸鱼的位置，否则回到步骤4；根据所选出的最优特征子集，使用随机森林回归模型和未来的天气数据、时间数据对站点的公共自行车需求进行预测。本发明使用基于分布式鲸鱼优化算法的特征子集优化，应用Spark分布式平台上对其进行优化，提高分类性能和运行效率。
-
公开(公告)号：CN110020435B
公开(公告)日：2023-04-07
申请号：CN201910265124.5
申请日：2019-04-03
Applicant: 湖北工业大学
IPC: G06F16/35 , G06F40/216 , G06F40/289 , G06N3/006
Abstract: 本发明公开了一种采用并行二进制蝙蝠算法优化文本特征选择的方法，该方法利用传统的特征选择方法对原始特征进行预选，在此基础上使用蝙蝠算法以二进制编码形式对预选特征进行优选，并以分类准确率作为个体的适应度。但当文本信息数据量大时，单机执行时间漫长，根据这一缺点，把蝙蝠算法和Spark并行计算框架相结合，提出了Spark处理框架下的文本特征选择算法SBATFS。将蝙蝠算法良好的寻优搜索能力和分布式高效的计算速度相结合，实现对文本特征选择优化模型的高效求解。
-
公开(公告)号：CN110020435A
公开(公告)日：2019-07-16
申请号：CN201910265124.5
申请日：2019-04-03
Applicant: 湖北工业大学
Abstract: 本发明公开了一种采用并行二进制蝙蝠算法优化文本特征选择的方法，该方法利用传统的特征选择方法对原始特征进行预选，在此基础上使用蝙蝠算法以二进制编码形式对预选特征进行优选，并以分类准确率作为个体的适应度。但当文本信息数据量大时，单机执行时间漫长，根据这一缺点，把蝙蝠算法和Spark并行计算框架相结合，提出了Spark处理框架下的文本特征选择算法SBATFS。将蝙蝠算法良好的寻优搜索能力和分布式高效的计算速度相结合，实现对文本特征选择优化模型的高效求解。
-
-
-
-
-
Search Results
6
records
(took 0.019 seconds)
