算法

0、论文背景 本论文主要是通过改进的BPSO算法来进行特征选择，特征选择的效果通过1-NN分类算法来检验。通过比较得出提出的算法在特征选择上具有一定的优越性。 是一篇二区的论文，个人觉得针对特征选择的

0、论文背景 标准粒子群算法在前面提到过和复现过，这里不在介绍，标准粒子群算法。本文是在改粒子群算法的基础上提出了一种基于二进制离散变量的粒子群优化算法，每个变量只有0或者1作为参数的搜索域。 也是出

0. 论文的基本介绍 而且现在这个期刊是一个TOP刊。 1. 摘要 许多算法利用样本之间的距离或相似性作为一种分类手段。在这些模式识别问题中，经常使KNN。但是在KNN中每个样本属于不同类别只有0或1

1. BBPS算法背景 BBPS算法是在标准的粒子群算法上变化而来的，通过消除速度公式对粒子群算法进行了修改，但是粒子群优化的基本原理被保留了下来：这些粒子的更新仍然受到其个体最优位置的记忆和全局最优

1. 改进的PSO算法、 如果要了解这篇期刊，得首先了解Particle swarm optimization(粒子群优化算法)，参见博客：Particle Swarm Optimization。而本

1、粒子群优化算法介绍： 粒子群优化算法(PSO：Particle swarm optimization) 是一种进化计算技术（evolutionary computation）。源于对鸟群捕食的行为

1. 基本介绍： 改论文题目的中文意思：基于boosting和decision stump(决策树桩)的信号预测。 论文下载 该期刊虽然没有被SCI/SCIE收录，CiteScore也比较低，但是本身

1. 何为决策树桩？ 单层决策树（decision stump），也称决策树桩，它是一种简单的决策树，通过给定的阈值进行分类。 从实际意义上来看，决策树桩根据一个属性的单个判断( 但是实际上待判断的物

遗传算法的基本流程 遗传算法代码实现 首先我们导入我们事先可能用得到的库： 然后根据上述遗传算法的一般步骤，先向大家展示遗传算法运行的主函数： 首先根据主函数我们知道得先初始化种群： 在这里生成2进制

遗传算法流程 遗传算法C++实现 这里以类的形式进行实现。具体原理推导以及过程参见遗传算法原理以及Python代码实现 遗传算法测试 测试结果：