本文是一篇计算机软件论文，本文主要研究了智能优化算法中的GOA的二进制化方法，并探究其在二进制优化应用中的可行性。
第一章绪论
1.1研究背景及意义
近些年，随着人类生产生活以及各行各业的快速发展，各个领域涌现了大量的复杂优化问题。这些优化问题往往受到各种现实条件的制约而呈现出相对较高的复杂度和求解难度，因此提出高效的优化方法成为了各个行业都需要面临的巨大挑战[1]。
优化问题一般是指某类问题提供了一组解决方案，并存在一个或多个标准用于评价可行解的优劣，其目的在于从所有可行解方案中找到可接受方案或最佳方案[2]。优化问题通常需要求解某评价指标下的最大值或最小值，通过某搜索策略或优化算法输入一组符合条件的决策变量，并通过评价函数计算其适应度值，以达成优化的目标[3]。简言之，优化问题的本质在于从一组解空间中寻找到目标函数的最佳解。
目前，优化算法一般可以划分为确定性算法和近似算法[5]。确定性算法通常是指利用数学的方法进行精确求解的方法，该方法主要利用问题的内在属性生成特定的点序列，并使其收敛于最佳方案，典型的确定性算法主要包括牛顿法、梯度下降法[6]、单纯形法[7]以及分支定界法[8]等。在问题规模较小时，确定性算法能够表现出较好的求解能力，然而随着问题规模的增大，确定性算法的时间复杂度随之升高，求解时间呈现指数级增大，弊端随着显现，因此该方法泛化能力差，只适用于小规模的简单优化问题。
1.2国内外研究现状
智能优化算法又称现代元启发式算法，其通过模拟自然界中的某些现象或规则来制定搜索策略，以期望获得更好的优化效果和求解能力[17]。该类算法通常采用一些随机策略在解空间中随机搜索解决方案，并通过算法特有的学习策略和自适应能力为优化问题寻找可接受的可行解。其在解决复杂性高、约束性强的实际优化问题时往往表现得更加高效，也因此被广泛应用于电子、通信、计算机以及经济学等诸多学科的复杂优化问题中。
智能优化算法一般可以根据启发行为的不同划分为进化类算法、基于人类智能类算法、基于物理/化学类算法以及群智能算法。其中，进化类算法主要包括遗传算法（Genetic Algorithm，GA）[18]、差分进化算法（Differential Evolution，DE）[19]以及遗传编程（Genetic Programming，GP）[20]等，该类算法主要受生物进化论中的自然选择启发而设计出来，其使用计算机程序模拟遗传过程，使个体不断适应新的复杂环境，从而实现在复杂搜索空间寻找最优解或接近最优解。基于人类智能的算法主要起源于人类社会行为或社会现象，例如，基于教与学的学习算法（Teaching–Learning-Based Optimization,TLBO）[21]起源于教师对学生的教学行为与影响，社会进化学习优化算法（Socio Evolution Learning OptimizationAlgorithm,SELOA）[22]起源于家庭在社会结构中的社会学习行为，内部搜索算法（Interior Search Algorithm，ISA）[23]起源于人类室内设计与装修行为。基于物理/化学类算法主要模拟了自然界中的物理现象和化学现象，例如，Osman等人受宇宙大爆炸和大坍缩理论的启发提出一种大爆炸-大坍缩算法（Big Bang-BigCrunch,BBBC）[24]，Esmat等人受万有引力定律和质量相互作用的启发设计了一种引力搜索算法（Gravitational Search Algorithm,GSA）[25]，Hashim等人受到亨利定律的启发设计了一种亨利气体溶解度优化算法（Henry Gas SolubilityOptimization，HGSO）[26]。群智能算法主要模拟群体生物或群体事物的宏观智能行为，该类算法中每个个体在空间中单独进行搜索，在搜索过程中将个体位置与群个体位置进行共享，从而共同引导全局个体向着最优位置移动。经典的群智能算法包括模拟群体粒子自然行为的粒子群优化算法（Particle Swarm Optimization，PSO）[27]，该算法中每一个粒子代表一种候选解
第二章塘鹅优化算法
2.1算法起源
塘鹅优化算法（Gannet Optimization Algorithm，GOA）[31]是一种新型的元启发式算法，是潘正祥等人在2022年受塘鹅在水下的捕食行为启发而提出的。该算法通过建立数学模型模拟了塘鹅在水下的独特捕食行为，在解决连续优化问题，尤其是工程优化问题上表现出了优越的性能。
塘鹅是一种集群动物，通常成群栖息在湖泊和河岸，它们体形粗短肥胖，颈细长，主要以鱼类为食。塘鹅具有敏锐的视觉，在高空飞行时能够敏锐观察到水下的鱼类，并以独特的行为进行捕食。
当一群塘鹅发现鱼类时，它们会形成一条半圆形阵列进行共同捕食。每一只塘鹅发现鱼类时，就会从十几米的空中像炮弹一样冲入水中捕食鱼类。塘鹅在高速入水后的游泳能力非常强，俯冲的动力消失后还可以再继续下潜来寻找鱼类，所以塘鹅的捕食成功率很高。
潘正祥等人基于以上塘鹅的独特捕食行为提出塘鹅优化算法，利用计算机仿真进行数学优化，拟从候选解中找出具有特定标准的最佳解，在工程优化、经济学、计算机科学以及医学等领域上具有广泛的应用。
2.3算法流程
GOA从随机生成的初始解启动整个算法流程，在每次迭代中，所有个体根据GOA的探索阶段和开发阶段的位置更新公式调整自己的位置，探索阶段和开发阶段的选择概率相同。在探索阶段，个体以相同的概率选择两种位置更新方式。在开发阶段，位置更新由捕获能力来决定。当捕获能力较大时，个体做转向运动并捕获猎物，当捕获能力较低时，个体无法捕获猎物并做Levy运动搜索下一个猎物。整个算法优化过程不断被重复，以期望达到最优解或接近最优解，直到算法达到最大迭代次数停止。
第三章 基于改进传递函数的二进制塘鹅优化算法 ................. 12
3.1 改进传递函数 ...................... 12
3.2 算法实现及流程 ............................ 14
第四章 改进并行二进制塘鹅优化算法 ..................... 22
4.1 并行策略和突变策略 ................................. 22
4.2 并行二进制塘鹅优化算法 .............................. 23
第五章 并行二进制塘鹅优化算法的应用 .......................... 29
5.1 特征选择 .............................. 29
5.1.1 数据集介绍................... 29
5.1.2 KNN 和 K-fold ..................... 30
第五章并行二进制塘鹅优化算法的应用
5.1特征选择
随着大数据的发展，各个领域的数据量激增，数据处理变得极具挑战性。由于海量数据中存在着较多的冗杂数据和不相关数据，这使得数据的分类任务变得异常困难[46]。因此，从复杂的数据集特征中寻找到最具代表性的特征子集是非常重要的。特征选择允许构建较为简单的模型实现提取最具有价值性的特征子集，为数据挖掘工作实现更容易理解的数据，以便更好地实现聚类任务和分类任务等。如今，特征选择技术已被广泛地应用于多个领域，如文本挖掘[47]、网络入侵检测系统[48]，药物诊断[49]以及基因分析[50]等。
特征选择通常被定义为一个多目标优化问题，即实现最小化选择特征的同时需要保障分类的精度[51]。特征选择方法可以根据选择策略的不同划分为3类，即基于过滤器的方法、嵌入式的方法以及基于包裹器的方法。基于过滤器的方法一般采用一组评估标准来评估特征的重要性，从而筛选掉一部分不重要的特征，常见的评估标准包括相关系数得分以及卡方检验[52]等。嵌入式方法通常将特征选择算法嵌入到学习模型之中，无需在迭代过程中评估特征子集，常见的嵌入式方法包括正则化模型[53]等。与以上两种特征选择方法不同的是，基于包裹器的方法通常与机器学习的搜索策略相结合，利用搜索策略在特征空间中搜索最有价值的特征子集，并结合例如神经网络或K-最近邻算法（K-Nearest-Neighbor，KNN）[54]等流行学习算法来评估集成分类器在分类任务中的性能。然而，基于包裹器的方法必须要考虑到的是一个含dim特征的数据集搜索空间为2dim，面对如此巨大的搜索空间，提出的合适的搜索策略来提高分类器的性能成为重中之重，而智能优化算法被认为是一种较为合适的解决方案[55]。
第六章总结及展望
6.1研究总结
本文主要研究了智能优化算法中的GOA的二进制化方法，并探究其在二进制优化应用中的可行性。首先，本文对GOA的原理和性质进行了分析，发现了GOA无法处理二进制优化应用的缺陷，因此提出基于改进时变V型传递函数实现的二进制塘鹅优化算法BGOA，克服了GOA无法用于二进制优化的缺点；其次，考虑到BGOA多样性较低且容易陷入局部最优的缺陷，引入一种并行机制以及两种突变策略，实现了一种改进并行二进制塘鹅优化算法PBGOA；接着，在CEC2022基准测试函数集上验证了PBGOA的性能，并与5种经典二进制智能优化算法进行了比较，验证了PBGOA的高性能；最后，设计了3种不同的二进制优化应用的仿真实验，探究了PBGOA在二进制优化应用中的实用性。实验结果表明，所提出的PBGOA在求解精度以及收敛能力上均表现出色，且在特征选择、辐射型配电网故障区段定位以及WSN网络节点覆盖布局优化应用中表现出了优秀的求解能力和实用性。
本文主要研究内容及重点总结如下：
（1）、
