混合进化和群技术解决大数据分析挑战

大数据研究14（2018） 55-56关于“大数据分析和应用的混合进化和群技术”的特刊的社论我们今天经历的数据的快速增长导致迫切需要开发用于大数据分析的有效和高效的技术，这是行业和学术界非常需要的，以便能够发现大数据中的有用信息或知识。大数据分析涉及使用现代统计和其他机器学习技术来分析大量数据。大数据分析中的一些挑战性问题特别是数据的高维性和所研究问题的多个目标，以及传统的大数据5V，即数量，多样性，速度，准确性和价值。凭借良好的优化和搜索能力，进化和群体智能算法（ESA）有可能解决大数据分析中的上述挑战。将ESA与其他传统或更新的机器学习技术相结合，并为大数据分析开发混合ESA技术是一个很有前途的多学科研究领域。这期特刊旨在汇集学术界和工业界专家，报告混合ESA技术的最新发展，以解决各种应用领域中大数据分析的具体挑战。这份特刊共收到13份来文。每一份提交的材料都经过至少两名匿名评审员的严格和盲目审查。经过深入的审查过程，六篇论文已被选为这一问题。所选论文的作者来自中国、丹麦、德国、印度、阿拉伯联合酋长国、英国和美利坚合众国。第一篇论文题为“A Direction Aware Particle Swarm Optimizationwith Sensitive Swarm Leader” ， 由Krishn Kumar Mishra ， HemantBisht，Tribhuvan Singh和Victor Chang共同撰写。粒子群算法存在的主要问题是早熟收敛和收敛速度慢.本文提出了DAPSO-SSL算法，该算法试图避免早熟收敛，并以较少的函数求值次数和较少的时间找到最优解。敏感的群领导者通过保持多样性来检查过早收敛，以便在开发和探索之间保持有效的平衡。该算法在COCO框架的24个基准函数上进行了测试.大数据网络的社区检测问题被用来证明所提出的方法的有效性，与替代方法进行比较。第二篇论文题为“A Novel Clustering Method Using Enhanced GreyWolf Optimizer and MapReduce”，由Ashish Kumar Tripathi，KapilSharma和Manju Bala共同撰写。灰狼优化算法（GWO）收敛速度慢，存在陷阱风险ping进入局部最优，不能有效地处理大规模数据集的聚类。在提出的基于MapReduce的增强型灰狼优化器（MR-EGWO）方法中，增强型灰狼优化器（EGWO）被合并到Hadoop的MapReduce中进行并行化，试图高效地处理大规模数据集的聚类。MR-EGWO还在几个UCI基准数据集上进行了演示，并与MapReduce上运行的其他替代方法进行了比较。第三篇论文，题为“用于在复杂网络中发现瓶颈的基于混合桥的模因算法”，由David Chalupa，Ken A.作者：James A.沃克针对基于最小电导图划分的复杂网络瓶颈问题，提出了一种稳态自适应模因算法（StSAMA）来解决该问题.人工和现实世界的复杂网络被用来证明所提出的方法的有效性。第四篇论文，题为“evoStream - Evolutionary Stream ClusteringUtilizing Idle Times”，由Matthias Jumin和Heike Trautmann共同撰写。传统的聚类算法作为一个固定的数据集进行分析，并不能处理无限的观察流，由于在今天的应用程序中的数据源的速度和数量的增加。建议的流聚类-ING包括在线和在线短语。 在在线阶段的空闲时间中执行微集群的进化优化以递增地构建，并且在操作系统中细化最终的宏集群。该算法可以在不需要额外计算资源的情况下，在流内的任何时间确定高质量的聚类。通过与其他几种方法的比较，在多个数据集上对该算法进行了测试，证明了其有效性。这 篇 题 为 “A Dynamic Neural Network Archi-tecture withImmunology Inspired Optimization for Weather Data Forecasting”的论 文 由 Abir Jaafar Hussain 、 Panos Liatsis 、 Mohammed Khalaf 、Hissam Taw fik和Haya Al-Asker共同撰写。受免疫算法启发的自组织隐层算法（SONIA）不能回忆过去的行为，因此不能在动态时态数据中产生高性能。本文提出了一种受免疫算法启发的动态自组织多层网络（DSMIA）。该方法利用从输出层到输入层的递归链接，通过提供对过去行为的记忆功能来提高网络的预测和泛化能力。为了分析天气数据集，https://doi.org/10.1016/j.bdr.2018.11.0022214-5796/ 2018由Elsevier Inc.可在ScienceDirect上获得目录列表大数据研究www.elsevier.com/locate/bdr56特刊社论“大数据分析和应用的混合进化和群技术”采用了若干标准作为基准。实验表明， DSMIA方法优于MLP、Elman、Jordan和SONIA神经网络方法.第六篇论文，题为“预测价格运动在博彩交易所使用笛卡尔遗传规划和人工神经网络”，是共同撰写的伊瓦尔斯Dzalbs，和塔蒂亚娜Kalganova。有非常少的工具可用于自动交易投注交易所的应用领域。本文提出了一个框架，CGP和人工神经网络来解决这个问题。基于所提出的框架，相关的策略应该自动生成，然后部署在一个服务器上，没有人的交互。作者给出了204GB数据的处理实验这期特刊的客座编辑要感谢教授。T. Palpanas，大数据研究杂志的主编，为我们提供了编辑这期特刊的机会，并在整个过程中提供了指导。我们要感谢作者们为这期特刊提交了他们宝贵的研究成果，以及那些花时间在以下方面的审稿人：对论文提出批评意见。我们真诚地希望读者能喜欢这期特刊中的文章，并发现它是有用的。金丰源新加坡社会科学大学关圣维中国Xi陈杰仁澳大利亚科廷大学瓦西里·帕拉德英国考文垂大学