34、增强 IPADE 算法：不同个体编码的创新应用

增强 IPADE 算法：不同个体编码的创新应用

1. 引言

在分类任务中，最近邻（NN）算法及其衍生算法表现出色，但简单版本的 NN 算法存在效率低、存储需求大以及对噪声敏感等缺点。数据约简技术是解决这些问题的有效方法，可分为原型选择和原型生成（PG）两种不同的方法。其中，PG 不仅能选择数据，还能构建新的人工原型。

此前提出的基于差分进化（DE）的迭代原型调整程序（IPADE），能自动找到每个类具有适当数量实例的最小约简集，以实现不同类型问题的合适分类准确率。本文在此基础上，使用不同的个体编码方案（IPADECS）来提高优化能力。

2. 背景知识

2.1 原型生成（PG）

PG 是指在数据集上应用实例构造算法，以提高 NN 分类器的分类准确率。具体来说，假设有训练集 $TR$ 由 $n$ 个实例 $xp$ 组成，测试集 $TS$ 由 $s$ 个实例 $xt$ 组成，PG 的目的是从 $TR$ 的示例中生成一个原型生成集（PGS），该集合由 $r$（$r < n$）个原型 $pu$ 组成，并且能有效表示类的分布。

2.2 差分进化（DE）

DE 从包含 $NP$ 个解（即个体）的种群开始，使用 $G = 0, 1, \cdots, G_{max}$ 表示代数。每个个体通常表示为 $D$ 维向量 $X_{i,G} = {x_{1i,G}, \cdots, x_{Di,G}}$，称为“目标向量”。

1. 变异操作 ：使用 RandToBest/1 策略生成变异向量 $V_{i,G}$，公式为：
   - $V_{i,G