面向特征选择的忆阻遗传算法研究

作     者：房驰茗 

作者单位：华中科技大学 

学位级别：硕士

导师姓名：程伟明

授予年度：2023年

学科分类：080903[工学-微电子学与固体电子学] 12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 0809[工学-电子科学与技术（可授工学、理学学位）] 081104[工学-模式识别与智能系统] 08[工学] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主      题：忆阻器 遗传算法 特征选择 朴素贝叶斯 非理想因素 片上训练 

摘      要：数据的爆发式增长,导致了特征维度的显著提高,带来了“维度诅咒问题,严重影响了分类、回归和聚类等机器学习任务的性能。因此,人们提出了特征选择方法来寻找性能最好的特征子集。通过去除不相关和冗余的特征,特征选择方法不仅可以实现令人满意的数据降维效果,还可以提高模型的性能。但是,在大规模的数据中寻找到最优子集绝非易事,这被认为是一种时间复杂度为O(2))的组合优化问题,可靠的解决方案是基于群体智能的启发式算法。遗传算法是研究最多、使用最广的启发式算法之一,具有优异的全局搜索能力,在特征选择领域被广泛使用。然而,面对解空间庞大的大规模数据,遗传算法存在训练时间长、消耗资源多等问题。因此,迫切需要一种高效的加速方法来提高算法的执行速度,减少计算资源的开销。本文提出了一种基于忆阻器的遗传算法,用于解决特征选择问题。首先,通过引入朴素贝叶斯算法,在忆阻器阵列上并行地计算遗传算法的适应度函数。此外,本文设计了遗传算法的片上更新策略,在阵列中实现交叉算子和变异算子,节省了迭代过程中频繁读取阵列的时间,并进行了基于Simulink的电路仿真,成功验证了忆阻遗传算法的硬件操作方案。其次,本文对忆阻遗传算法的特征选择性能进行了仿真分析,在4个数据集上,分类的准确率均好于全特征的性能,且特征的数量仅需要20%～30%。然后,考虑器件的非理想因素,对器件的不一致性、开关比、器件错误和外部电路精度进行了仿真,并提出最后读方法,显著缓解了非理想因素的不利影响。最后,仿真了线电阻对阵列规模的影响,并评估了在256×256规模下忆阻器阵列的计算速度和能耗,相较于传统电路,速度提升了约7000倍,能耗降低了81.7%,为解决特征选择问题提供了一种极具前景的硬件解决方案。