基于群智能优化技术的机器学习方法研究及应用

基于群智能优化的机器学习方法研究及应用 本文研究基于群智能优化技术对现有机器学习技术的改进，构建基于机器学习技术的农业智能决策新方法，并将这些新方法用于解决实际农业生产问题。机器学习技术已经广泛应用于工业、农业、交通、环境等各个领域，特别是在农业生产领域，由于农业信息化和精准农业的推广和实施，农业生产数据不断迅速增长并大量积累，这大大增加了对信息技术的需求，尤其对机器学习技术的需求更加显著。 然而，由于农业生产问题的复杂性，对决策问题直接采用传统的机器学习方法往往达不到理想的效果，因此如何构造最优的基于机器学习的农业智能决策方法是当前亟待解决的问题。本文首先对随机森林、多目标聚类、支持向量机和核极限学习机等方法在计算精度、适用性和稳定性方面存在的问题进行了探讨，提出了三维混沌果蝇优化技术、改进粒子群优化技术、改进灰狼优化技术和多种群灰狼优化技术，然后分别对上述机器学习方法进行改进，进而提出三维混沌果蝇优化的随机森林预测模型、改进粒子群的动态多目标优化诊断模型、改进灰狼优化的支持向量机诊断模型、多种群灰狼智能演化核极限学习机预测模型，分别用于水稻的虫害预测、病害诊断、缺素诊断和产量预测。 在随机森林模型预测过程中，提出一种三维混沌果蝇优化的随机森林预测模型，首先，将原始果蝇优化算法从二维搜索空间扩展到三维空间，同时引入混沌理论对种群进行初始化操作，避免陷入局部最优，提出一种改进的三维混沌果蝇优化算法。选取多个测试函数进行实验仿真，实验结果表明，提出的方法与原始的果蝇优化、粒子群优化等群智能算法进行对比，不仅解的质量更好，在收敛速度方面也更快。然后，我们将该算法引入到随机森林模型中，利用三维混沌果蝇优化算法对随机森林进行训练，从而建立最优的计算模型。 在单目标粒子群优化中解的局限性问题方面，提出一种改进粒子群的动态多目标优化诊断模型。首先，对原始粒子群算法进行改进，包括环境变化因子、惯性因子和变异因子的改进。然后，将该方法与动态多目标技术结合，选取两个聚类方法作为目标函数，采用改进的粒子群算法进行优化，最后，将该方法在水稻虫害数据集上进行测试，并与其它算法进行对比。 本文提出的基于群智能优化的机器学习方法可以有效地解决实际农业生产问题，提高农业生产的智能化和自动化水平。