多智能体遗传算法投影寻踪建模与实证研究

计算机工程与应用 ›› 2013, Vol. 49 ›› Issue (17): 63-67.

多智能体遗传算法投影寻踪建模与实证研究

楼文高1，2，乔龙2

1.上海商学院，上海 200235
2.上海理工大学管理学院，上海 200093

出版日期:2013-09-01 发布日期:2013-09-13

Projection pursuit clustering modeling applying multi-agent genetic algorithm and positive research

LOU Wengao1，2, QIAO Long2

1.Shanghai Business School, Shanghai 200235, China
2.Business School, University of Shanghai for Science and Technology, Shanghai 200093, China

Online:2013-09-01 Published:2013-09-13

摘要/Abstract

摘要： 采用多智能体遗传算法（MGA）进行投影寻踪聚类（PPC）建模，对投影向量约束条件采用两种不改变迭代进化过程的归一化处理方法，经三种不同类型的数据分别进行建模，得到了相同的建模结果，有效地解决了求解最佳投影向量的最优化问题。对评价指标数据采用极大化或极小化（不同的归一化）处理方式，得到的投影向量系数互为相反数，同一样本的投影值之间只相差一个常数，说明PPC建模技术既可用于探索性研究，也可用于验证性分析。PPC技术主要用于大样本情况，稳健性和可靠性均较好；指标之间存在明显的相关性，会影响建模结果的有效性和合理性。

关键词: 多智能体遗传优化算法, 投影寻踪聚类模型, 投影向量, 评价指标, 探索性研究, 验证性分析

Abstract: Multi-agent Genetic Algorithm（MGA） is applied to effectively and successfully optimize the optimal projection vector in the Projection Pursuit Clustering（PPC） model. Two different normalization methods, without changing the evolution process, for projection vector get the same results for three cases with various amounts of samples. The two different Maximum and Minimum Normalization Methods（MMNMs） for evaluation indexes yield opposite number of projection vector coefficients. The difference between the projected values of the same sample with two different MMNMs is constant. The PPC model is thus suitable to exploratory research and confirmatory analysis. PPC model is mainly applied to large sample situation and gets properly reliable and effective results. The correlation between variables will influence PPC model’s effectiveness and rational.

Key words: Multi-agent Genetic Algorithm（MGA）, Projection Pursuit Clustering（PPC） model, projection vector, evaluation indexes, exploratory research, confirmatory analysis

楼文高1，2，乔龙2 . 多智能体遗传算法投影寻踪建模与实证研究[J]. 计算机工程与应用, 2013, 49(17): 63-67.

LOU Wengao1，2, QIAO Long2. Projection pursuit clustering modeling applying multi-agent genetic algorithm and positive research[J]. Computer Engineering and Applications, 2013, 49(17): 63-67.

[1]	徐玲玲，迟冬祥. 面向不平衡数据集的机器学习分类策略[J]. 计算机工程与应用, 2020, 56(24): 12-27.
[2]	高东1，许欣2. 电梯群控算法评价指标与验证平台的研究与实现[J]. 计算机工程与应用, 2018, 54(5): 231-235.
[3]	刘栋，聂仁灿，周冬明，侯瑞超，熊磊. 结合NSST与GA参数优化PCNN图像融合[J]. 计算机工程与应用, 2018, 54(19): 158-163.
[4]	张文宇1，陶蓉1，陈星2，任露1. 改进财务评价指标体系的筛选研究[J]. 计算机工程与应用, 2016, 52(23): 102-108.
[5]	戈军1，周莲英2. 基于SARSA（λ）的实时交通信号控制模型[J]. 计算机工程与应用, 2015, 51(24): 244-248.
[6]	曾明华1，2，王吟松1，杨晓光1. 供应商协同能力评价指标体系研究[J]. 计算机工程与应用, 2014, 50(4): 18-23.
[7]	谢道文1，2，施式亮1，3. 基于云模型的煤炭企业物资供应商综合评价[J]. 计算机工程与应用, 2013, 49(6): 229-233.
[8]	吕明，罗霞，朱海. 城际铁路线网布局方案比选与软件开发[J]. 计算机工程与应用, 2013, 49(4): 1-4.
[9]	何乃强，惠晓滨，周漩. 基于正态区间估计的改进型无量纲化方法[J]. 计算机工程与应用, 2012, 48(5): 236-238.
[10]	李婷1，2，邱天爽1，唐洪1. 基于循环平稳特性的心音信号噪声评价指标[J]. 计算机工程与应用, 2012, 48(24): 10-14.
[11]	董九英. 高校教师教学质量评估的区间数方法[J]. 计算机工程与应用, 2010, 46(17): 246-248.
[12]	宁宁，张骏，高向阳. 有效数据在局域波端点效应评价指标中的应用[J]. 计算机工程与应用, 2009, 45(22): 215-217.
[13]	周林,李春芳,陈方强. 一种改进的光学CT扫描测量方法[J]. 计算机工程与应用, 2008, 44(28): 193-195.
[14]	周荣刚. IT产品用户体验质量的模糊综合评价研究[J]. 计算机工程与应用, 2007, 43(31): 102-105.
[15]	杨哲,张大陆. 基于概念模型的本体复杂性研究 [J]. 计算机工程与应用, 2006, 42(10期): 19-.