【摘要】：優(yōu)化問(wèn)題廣泛地存在于實(shí)際工程問(wèn)題和科學(xué)研究中。優(yōu)化問(wèn)題具有解空間規(guī)模大、維數(shù)高的特點(diǎn),一些傳統(tǒng)優(yōu)化算法在求解大規(guī)模優(yōu)化問(wèn)題時(shí),存在計(jì)算復(fù)雜度高、時(shí)間長(zhǎng)等問(wèn)題。群體智能算法因其參數(shù)少、模型簡(jiǎn)單、易于實(shí)現(xiàn)等優(yōu)點(diǎn),已成為求解優(yōu)化問(wèn)題新的研究方向。隨著人工智能的高速發(fā)展,電子商務(wù)、移動(dòng)互聯(lián)網(wǎng)金融無(wú)時(shí)無(wú)刻不斷產(chǎn)生數(shù)據(jù)。數(shù)據(jù)挖掘技術(shù)越來(lái)越受到眾多領(lǐng)域的廣泛關(guān)注。聚類(lèi)技術(shù)是數(shù)據(jù)挖掘領(lǐng)域的一個(gè)重要分支,在無(wú)監(jiān)督條件下,用于挖掘數(shù)據(jù)潛在結(jié)構(gòu),已成為人工智能領(lǐng)域研究熱點(diǎn)。密度峰值快速搜索聚類(lèi)算法是聚類(lèi)算法中極具競(jìng)爭(zhēng)力的一種新型聚類(lèi)算法,已得到各領(lǐng)域廣泛認(rèn)可,但其仍存在手動(dòng)設(shè)置參數(shù)的缺陷。本文將布谷鳥(niǎo)搜索算法作為主要研究對(duì)象,對(duì)其進(jìn)行研究與改進(jìn),并對(duì)密度峰值快速搜索聚類(lèi)算法存在缺陷進(jìn)行改進(jìn)。本文主要內(nèi)容和創(chuàng)新點(diǎn)如下:(1)針對(duì)布谷鳥(niǎo)搜索算法在處理復(fù)雜函數(shù)時(shí),算法收斂速度慢;在處理多維數(shù)據(jù)時(shí),算法尋優(yōu)精度低,算法穩(wěn)定性較差的問(wèn)題,提出動(dòng)態(tài)自適應(yīng)步長(zhǎng)的雙重策略的布谷鳥(niǎo)搜索算法。算法引入動(dòng)態(tài)自適應(yīng)步長(zhǎng)機(jī)制和雙重評(píng)價(jià)策略,動(dòng)態(tài)步長(zhǎng)中學(xué)習(xí)因子加速算法在解空間中搜索速度,在算法迭代前期,雙重評(píng)價(jià)策略中的逐列排序策略在全局搜索中快速定位,并引入動(dòng)態(tài)發(fā)現(xiàn)概率增加全局搜索能力。(2)針對(duì)密度峰值快速搜索聚類(lèi)算法存在手動(dòng)設(shè)置截?cái)嗑嚯xd_c,歐式距離無(wú)法準(zhǔn)確反映數(shù)據(jù)間的相似性等缺陷,提出布谷鳥(niǎo)優(yōu)化的密度峰值快速搜索聚類(lèi)算法。算法通過(guò)布谷鳥(niǎo)搜索算法優(yōu)化截?cái)嗑嚯x,并引入余弦相似度,將方向與實(shí)際距離相結(jié)合,更好區(qū)分兩類(lèi)中間區(qū)域數(shù)據(jù)點(diǎn)的歸屬度。仿真實(shí)驗(yàn)結(jié)果表明,改進(jìn)密度峰值快速搜索聚類(lèi)算法具有較好聚類(lèi)性能。(3)基于布谷鳥(niǎo)優(yōu)化的密度峰值快速搜索聚類(lèi)算法,對(duì)銀行個(gè)人信貸數(shù)據(jù)進(jìn)行聚類(lèi)。仿真實(shí)驗(yàn)結(jié)果表明,本文提出的方法能夠較為有效地分析和預(yù)測(cè)銀行個(gè)人信貸違約情況,幫助銀行信貸部門(mén)合理地做出決策。
【學(xué)位授予單位】：長(zhǎng)春工業(yè)大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2018
【分類(lèi)號(hào)】：TP18
【圖文】：

圖 2.1 Lévy 飛行軌跡示意圖新興的群體智能算法，由 Xin-She Yang 和 S和 Deb 基于布谷鳥(niǎo)特殊繁殖育雛機(jī)理和假定理想條件為：布谷鳥(niǎo)每次只生產(chǎn)一個(gè)蛋，并隨機(jī)選擇一巢中，裝有最好蛋的鳥(niǎo)巢將會(huì)被保存至下宿主鳥(niǎo)巢個(gè)數(shù)固定，并且宿主鳥(niǎo)發(fā)現(xiàn)外來(lái)鳥(niǎo)巢另建新巢或者拋出外來(lái)蛋。宿主鳥(niǎo)巢中的每一個(gè)蛋都代表一個(gè)單獨(dú)的解用新解替換不好的解。當(dāng)然，CS 算法可以，代表一組解。原始的 CS 算法采用每個(gè)蛋ts 隨機(jī)游動(dòng)生成新的解 X(t+1)后，執(zhí)行公式(

第 2 章 相關(guān)理論介紹在數(shù)據(jù)集中，具有最大密度值的數(shù)據(jù)點(diǎn)為特殊情況，DPC 算法定義該數(shù)據(jù)點(diǎn)為聚類(lèi)中心。詳細(xì)的i計(jì)算方法如公式（2-17）所示：max( ) max , ,..., 1 2=min ( ):idij njd otherwiseijjj i （2-17）圖 2.3 (a)為帶有 28 個(gè)數(shù)據(jù)點(diǎn)的二維圖，數(shù)據(jù)點(diǎn)按密度遞減排列。我們可以看到數(shù)據(jù)點(diǎn) 1 具有最大局部密度值，數(shù)據(jù)點(diǎn) 10 具有相對(duì)局部密度最大值，并且距離數(shù)據(jù)點(diǎn) 1 最遠(yuǎn)，滿足 DPC 算法兩個(gè)條件，聚類(lèi)中心是是最大密度值數(shù)據(jù)點(diǎn)或者是與數(shù)據(jù)集中的其他點(diǎn)相比具有更高 ρ 和更大 的點(diǎn)，因此它們可以確定為聚類(lèi)中心。圖 2.3(b是 28 個(gè)數(shù)據(jù)點(diǎn)的二維決策圖。從圖 2.3(b)中可以明顯看出，具有較高 ρ 和 的數(shù)據(jù)點(diǎn) 1 和數(shù)據(jù)點(diǎn) 10 是潛在的聚類(lèi)中心。數(shù)據(jù)點(diǎn) 26，27 和 28，因?yàn)樗鼈兙哂懈?ρ 和低 它們被認(rèn)為是由單個(gè)數(shù)據(jù)點(diǎn)組成的簇，即孤立點(diǎn)。對(duì)于圖中剩余數(shù)據(jù)點(diǎn)，將被分配到與其最近并比自己密度高的鄰居數(shù)據(jù)點(diǎn)類(lèi)中。

1iGriewank cos14000()1214 ixxfxiDiiDi[-300,300]Rastrigin ()(10cos(2)10)215 iiDif xx x [-1.25,1.25]610 ichalewicz()sin()sin()(10)1226 mixfxxDimii [0, ]-9.6605[56](a)Sphere (b)Sumsquares (c) Rosenbrock

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 淦文燕;劉沖;;一種改進(jìn)的搜索密度峰值的聚類(lèi)算法[J];智能系統(tǒng)學(xué)報(bào);2017年02期

2 王洋;張桂珠;;自動(dòng)確定聚類(lèi)中心的密度峰值算法[J];計(jì)算機(jī)工程與應(yīng)用;2018年08期

3 蔡旭芬;靳聰;胡飛;張勤;;一種面向高維數(shù)據(jù)的密度峰值聚類(lèi)模型[J];中國(guó)傳媒大學(xué)學(xué)報(bào)(自然科學(xué)版);2016年05期

4 謝娟英;高紅超;謝維信;;K近鄰優(yōu)化的密度峰值快速搜索聚類(lèi)算法[J];中國(guó)科學(xué):信息科學(xué);2016年02期

5 王東風(fēng);孟麗;趙文杰;;基于自適應(yīng)搜索中心的骨干粒子群算法[J];計(jì)算機(jī)學(xué)報(bào);2016年12期

6 錢(qián)偉懿;候慧超;姜守勇;;一種新的自適應(yīng)布谷鳥(niǎo)搜索算法[J];計(jì)算機(jī)科學(xué);2014年07期

7 王李進(jìn);尹義龍;鐘一文;;逐維改進(jìn)的布谷鳥(niǎo)搜索算法[J];軟件學(xué)報(bào);2013年11期

8 何鵬;閻興

本文編號(hào)：2764985