一种基于改进粒子群算法的相似度检索方法与流程

技术特征：
1.一种基于改进粒子群算法的相似度检索方法，其特征在于，所述方法包括：步骤s1:初始化种群粒子：所述初始化种群粒子包括设置种群规模n、随机设定每个粒子的初始位置、初始速度，并设置粒子的迭代次数k、最大迭代次数t
max
，设置粒子群算法惯性系数w
d
范围，随机选择一组惯性系数w
d
；步骤s2：适应度计算，计算每个粒子的适应度值f(x)；步骤s3：寻找粒子的个体最优p
besti
和种群最优g
besti
，记录个体最优和种群最优的粒子位置；步骤s4：采用改进粒子群算法进行粒子位置更新，引入惯性系数w
d
，更新学习因子，更新粒子位置，计算迭代后的粒子适应度值并排序，更新粒子的个体最优和群体最优，其中，学习因子采用以迭代次数k为自变量的三角函数；步骤s5：判定条件，迭代次数k是否到达最大迭代次数t
max
，若k小于t
max
，则k 1，并重新进行步骤s4；若k等于t
max
，则输出并保存种群中最优的n个粒子位置，作为n个相似案例，记录适应度函数值f
best
(x
i
)；步骤s6：参数拟合，采用knn算法对n个相似案例进行拟合，记录knn算法的权重步骤s7：效果评估，设置评估门限，效果评估结果满足要求设定评估门限，则结束，不满足要求，反馈至步骤s4,其中，步骤s4中改进粒子群算法的惯性系数w
d
采用步骤s6中knn算法的权重2.根据权利要求1所述的一种基于改进粒子群算法的相似度检索方法，其特征在于，所述步骤s4中改进粒子群算法的学习因子设置为：步骤s4中改进粒子群算法的学习因子设置为：其中，c
max
＝2，c
min
＝1，k为迭代次数，t
max
为最大迭代次数，c1和c2在[1，2]之间变化。3.根据权利要求1所述的一种基于改进粒子群算法的相似度检索算法，其特征在于，步骤s6中knn算法的权重计算采用公式：其中，d
i
目标案例与第i个案例的距离，n是步骤5检索的相似案例，i＝{1,2,...,n}。4.根据权利要求2或3所述之一的一种基于改进粒子群算法的相似度检索算法，其特征在于，所述步骤s2、步骤s4中的适应度计算方法设置为决定系数或均方误差、平均绝对百分比误差或平均误差至少之一。5.根据权利要求2或3所述的一种基于改进粒子群算法的相似度检索算法，其特征在于，所述步骤s3、步骤s4寻找粒子的个体最优和种群最优的过程为：个体最优，将每个粒子的适应度函数值f(x
i
)与之前计算出的最好位置p
besti
的适应度值进行比较，如果当前的适应度函数值f(x
i
)小于最好位置的适应度值，则更新粒子的位置
和适应度值f(x
i
)，更新当前位置值p
besti
和适应度函数值f(x
i
)；群体最优，将单个粒子的适应度函数值f(x
i
)与所有粒子经过的最好位置g
besti
的适应度值进行比较，如果当前适应度函数值f(x
i
)更小，则用现在粒子的位置和适应度值f(x
i
)更新，更新为当前的位置值和适应度值f(x
i
)，记录此位置下的数据坐标值。

技术总结
本发明具体公开了一种基于改进粒子群算法的相似度检索方法，使粒子群算法通过采用动态权重，及改善学习因子，使学习因子随迭代次数更新，优化的改进粒子群算法，可以提高检索案例质量，及检索概率的有益效果。及检索概率的有益效果。及检索概率的有益效果。


技术研发人员：高新华 杨勇 王晓亚
受保护的技术使用者：中国电子科技集团公司第五十四研究所
技术研发日：2022.03.21
技术公布日：2022/7/15