王俊艷

（太原科技大學(xué)復(fù)雜系統(tǒng)與智能計算實驗室，山西 太原030024）

隨著“大數(shù)據(jù)時代”的到來，由于它的信息量大、類型多、速度快時效高、價值密度低的特點，所以如何從大量數(shù)據(jù)提取出有用的信息并且被利用起來是一個比較重要的話題。分類是數(shù)據(jù)挖掘的一個重要技術(shù)，比較有名的算法有Bayes判別法、支持向量機(jī)和K-近鄰法等。

傳統(tǒng)的群智能優(yōu)化算法大多模擬動物群體的社會行為，由于這些算法模擬的動物群體均只能較低，其個體難以進(jìn)行有效決策，所以算法容易陷入局部極值點。而社會情感優(yōu)化算法[1]（SEOA）是通過模擬人類情感、情緒對行為的影響而構(gòu)造的一種群智能優(yōu)化算法，由于個體有情感因素的加入，能夠利用每個人的情緒作為控制策略，從而提高了算法的性能，改善了算法的多樣性和靈活性。它已被成功應(yīng)用于電力系統(tǒng)無功優(yōu)化[2]、團(tuán)簇結(jié)構(gòu)優(yōu)化[3]等實際問題中。本文將把社會情感算法應(yīng)用于分類問題，針對連續(xù)屬性建立模型。

1 社會情感算法

在社會情感算法中，情感能力是人類智能的重要標(biāo)志，它影響著人的決策、學(xué)習(xí)和交流，并在人類的決策中起著決定性的作用。社會情感算法模擬了理智情況下的人在參與某種社會活動時，感知周圍環(huán)境對其影響，通過情緒的反饋采取相應(yīng)的決策，進(jìn)而指導(dǎo)下一步的活動。

在初始化階段，將所有個體的情緒指數(shù)都設(shè)為0，所有個體根據(jù)不同的情緒值進(jìn)行更新。

當(dāng)Ej（t+1）＜m1時，

此時個體情緒低落，因此在自己歷史最好評價學(xué)習(xí)時，其行為更趨向于規(guī)避那些群體歷史最差評價的個體，因此設(shè)置c代表個體歷史最好社會評價值，

當(dāng)時，

此時個體情緒平和，能夠冷靜思考并且學(xué)習(xí)積極性提高，除了自我學(xué)習(xí)外還會向整個種群里歷史評價最好的個體學(xué)習(xí)，因此其行為更傾向于學(xué)習(xí)而非規(guī)避即表示群體歷史最好社會評價值，

當(dāng)E（jt+1）＞m2時，

此時個體情緒高昂，學(xué)習(xí)的渴望非常強(qiáng)烈，而忽略群體歷史較差評價的負(fù)面影響，只考慮外界環(huán)境的最好評價。

2 SEOA算法應(yīng)用于分類

2.1 分類模型及結(jié)構(gòu)圖

分類模型有很多種表示方法，如決策樹、神經(jīng)網(wǎng)絡(luò)、數(shù)學(xué)公式、規(guī)則和框架等。由于分類規(guī)則表示形式簡單，容易理解，因此宜采用規(guī)則來描述分類問題。分類模型按功能可以分類規(guī)則發(fā)現(xiàn)和規(guī)則集驗證兩部分。

首先介紹分類的總體結(jié)構(gòu)圖，主要包含三層嵌套算法，每一層算法用來完成某種特定的任務(wù)。分類總體結(jié)構(gòu)圖如圖1所示。

圖1 分類總體結(jié)構(gòu)圖

最內(nèi)層為分類規(guī)則探索算法Classification Rule Discovery Algorithm，在此采用社會情感優(yōu)化算法。其任務(wù)是尋找并返回比較好的規(guī)則，該規(guī)則對已給定的訓(xùn)練實例具有較好的分類。

Covering Algorithm在接收到訓(xùn)練集實例集后，激發(fā)分類規(guī)則探索算法Classification Rule Discovery Algorithm，除去已被分類規(guī)則正確分類的實例來簡化訓(xùn)練集，分類規(guī)則探索算法重復(fù)執(zhí)行，直到訓(xùn)練集中剩余的實例數(shù)達(dá)到預(yù)先設(shè)置值為止或者已經(jīng)全部正確分類，此時便生成了該類規(guī)則的規(guī)則集合。

最外層的算法是確認(rèn)算法Validation Algorithm，它的目的不僅在于確定由Covering Algorithm所返回的規(guī)則集的準(zhǔn)確度，計算其結(jié)果，如準(zhǔn)確度、耗時等。

用社會情感算法進(jìn)行提取分類規(guī)則時，由于每次都是針對某類進(jìn)行的，所以現(xiàn)以第i類規(guī)則提取的算法實現(xiàn)步驟為：

（1）設(shè)置最大迭代次數(shù)，種群初始化且初始群體個體的情緒指數(shù)；

（2）根據(jù)公式（1）（3）（5）計算個體的社會評價值；

（3）計算每個個體的社會評價值；

（4）對于每個個體，將其社會評價值與所經(jīng)歷過的最好社會評價值進(jìn)行比較，若較好，則將其作為當(dāng)前的最好評價；

（5）對每個個體，將其社會評價與群體所經(jīng)過的最好社會評價值進(jìn)行比較，若較好，則將其作為當(dāng)前的全局最好評價；

（6）是否達(dá)到最大的進(jìn)化代數(shù)或者數(shù)據(jù)全部正確分類，若是進(jìn)入（7），否則執(zhí)行（2）；

（7）將生成的第i類規(guī)則放入規(guī)則集中，然后在數(shù)據(jù)集中刪除規(guī)則所覆蓋的實例，查看剩余的數(shù)據(jù)數(shù)是否小于設(shè)定的值，若是，則該類規(guī)則提取完成，否則執(zhí)行（1）。

2.2 適應(yīng)值函數(shù)

適應(yīng)值函數(shù)采用文獻(xiàn)[4]，即用準(zhǔn)確度和精確度兩者綜合來評價分類規(guī)則的好壞。

w1和w2是權(quán)重系數(shù)，取值在0~1之間，且w1+w2=1.

3 仿真實驗

本實驗中數(shù)據(jù)集Iris Plant采用的是UCI[5]機(jī)器學(xué)習(xí)數(shù)據(jù)庫提供的，采用的是隨機(jī)測試，隨機(jī)選擇9/10數(shù)據(jù)作為訓(xùn)練集來進(jìn)行分類規(guī)則的提取，其余的1/10用已經(jīng)得到的分類規(guī)則作為測試集，驗證分類的正確率。實驗共運(yùn)行十次，統(tǒng)計十次均值作為此分類的結(jié)果。在SEOA算法中，Gmax選取1000代，情緒指數(shù)w1、w2取值為0.49和0.6。下面給出用公式（6）為適應(yīng)值函數(shù)對Iris Plant提取得到的分類規(guī)則：

If 4.554

then class=Iris Setosa

If 4.9

then class=Iris Versicolour

If 4.9

then class=Iris Virginica

其分類正確率達(dá)到了91.4%。

4 結(jié)束語

本文把社會情感算法應(yīng)用于連續(xù)屬性的分類問題中，進(jìn)行分類規(guī)則的提取，取得了比較好的效果，由于社會情感算法在模擬情緒選擇方式時采用了現(xiàn)行遞減的方式，并不符合人的正常心理變化，因此可以對其改進(jìn)然后再進(jìn)行分類規(guī)則的提取，還可以嘗試在更多數(shù)據(jù)集上實現(xiàn)分類。

[1]崔志華.社會情感優(yōu)化算法[M].北京：電子工業(yè)出版社，2011.26-29.

[2]魏戰(zhàn)紅．社會情感優(yōu)化算法及其在電力系統(tǒng)無功優(yōu)化中的應(yīng)用研究[D]．太原：太原科技大學(xué)，2011.

[3]Yongjing Chen， Zhihua Cui， Jianchao Zeng.Structural Optimization of Lennard-Jones Clusters by Hybrid Social Cognitive Optimization Algorithm，Proceedings of 9th IEEE International Conference on Cognitive Informatics（ICCI 2010），July 7-9，Tsinghua University，beijing，China，pp.204-208.

[4]王俊艷.應(yīng)用微粒群算法提取分類規(guī)則[D]．太原：太原科技大學(xué)，2008.

[5]UCI repository of machine learning database [EB/OL].www.cgi.com/technology/m lc/db，2005-05.