現(xiàn)如今,伴隨著移動互聯(lián)網(wǎng)技術(shù)的快速發(fā)展,計算機(jī)高速運行極大地提高了計算、邏輯判斷和存儲功能等方面的能力。面對電子商務(wù)和互聯(lián)網(wǎng)金融等領(lǐng)域產(chǎn)生的大量數(shù)據(jù),在“人工智能”的背景下,如何挖掘出內(nèi)容多樣、種類龐雜的海量數(shù)據(jù)里所蘊含的有用的信息成為一道迫切需要解決的難題。聚類分析是數(shù)據(jù)挖掘領(lǐng)域中一種無監(jiān)督的學(xué)習(xí)技術(shù),基本原理是根據(jù)數(shù)據(jù)內(nèi)容將數(shù)據(jù)信息分類成簇。在分類過程中,我們只需在數(shù)據(jù)之間找到數(shù)據(jù)潛在的結(jié)構(gòu)關(guān)系即可。聚類功能強(qiáng)大,常用于特定聚類集的審核、分析、評價,不僅能夠輕易捕獲數(shù)據(jù)分布信息,還可以披露簇類特征。正因為聚類分析過程中使用的技術(shù)多種多樣,可以得出不同的結(jié)論,使得人工智能領(lǐng)域紛紛把具有無監(jiān)督學(xué)習(xí)能力的聚類分析技術(shù)作為研究的熱點。通常情況下,許多聚類算法面對復(fù)雜的多維數(shù)據(jù),為了提升聚類效果,掌控全局參數(shù),在實現(xiàn)期間手動設(shè)置關(guān)鍵參數(shù),避開人工尋找全局參數(shù)的缺陷。本文著眼于煙花算法的改進(jìn)策略,通過新型多群體協(xié)同智能算法與聚類方法相融合,實現(xiàn)對具有相同或相似屬性的數(shù)據(jù)進(jìn)行深度挖掘,形成一種新型聚類分析模型。本文的主要內(nèi)容和創(chuàng)新點如下:(1)針對煙花算法在搜索過程中容易陷入局部極值的問題,本文... 

【文章來源】：長春工業(yè)大學(xué)吉林省

【文章頁數(shù)】：49 頁

【學(xué)位級別】：碩士

【部分圖文】：

8個數(shù)據(jù)點及其二維決策圖

第3章基于動態(tài)搜索與錦標(biāo)賽選擇的煙花算法173.2.1實驗設(shè)計對于函數(shù)尋優(yōu)這一類問題來說，在參數(shù)設(shè)置方面將會直接影響尋優(yōu)過程的復(fù)雜程度，待優(yōu)化函數(shù)的維度、待求解結(jié)果的精度、自變量范圍等等，都會直接或間接使得尋優(yōu)過程的變得越復(fù)雜[38-39]�；谏鲜隼碚�，我們對基準(zhǔn)Benchmark函數(shù)的參數(shù)進(jìn)行如表3-1所示進(jìn)行設(shè)置。123456圖3-16個Benchmark函數(shù)的三維可視圖（f1：Sphere,f2：Schwefel’sProblem12,f3：Rosenbrock,f4：Ackley,f5：Griewank,f6：Rastrigin）3.2.2參數(shù)設(shè)置在本小節(jié)中，我們給出了在DTFWA中設(shè)置參數(shù)的原則。主要參數(shù)包括：煙花數(shù)量N，爆炸火花總數(shù)S，函數(shù)的維度d，最小爆炸半徑Amin。設(shè)置小的N可以使算法因為每一個煙花可以產(chǎn)生更多的火花而具有很好的勘探性，而設(shè)置較大的N可以使算法可以偵查更遠(yuǎn)的區(qū)域，但在這種情況下每個煙花就產(chǎn)生較少的火花。在本文中，我們遵循文獻(xiàn)[1]中的建議，并設(shè)置N=8，A=30。本文引入了參數(shù)Amin，我們將通過實驗說明該參數(shù)的影響。我們根據(jù)基準(zhǔn)函數(shù)集的規(guī)則，對每個算法運行50次，并且每次運行的最大迭代次數(shù)為1000。3.2.3算法尋優(yōu)精度分析表2是一組尋優(yōu)測試的數(shù)據(jù)，該實驗是在6個基準(zhǔn)Benchmark函數(shù)進(jìn)行運算操作的，該實驗參數(shù)設(shè)置方面，我們將設(shè)置總的迭代次數(shù)設(shè)定為1000次、函數(shù)維度設(shè)定為50、該實驗操作我們進(jìn)行50次。實驗結(jié)果揭示：對于單峰形態(tài)的基準(zhǔn)函數(shù)而言，各種算法各有優(yōu)勢和劣勢，DTFWA算法測算出的尋優(yōu)結(jié)果和

第3章基于動態(tài)搜索與錦標(biāo)賽選擇的煙花算法22炸半徑的概念并將原算法相應(yīng)的物理意義即適應(yīng)度值保留到爆炸半徑公式當(dāng)中，同時通過動態(tài)變化的形式進(jìn)行計算，又將當(dāng)前迭代次數(shù)t，與最大迭代次數(shù)T引入到公式當(dāng)中，通過加強(qiáng)前期算法全局搜索能力，使煙花更快集中到全局最優(yōu)點附近；在算法后期，搜索速度變緩，使得算法在最優(yōu)點附近能夠進(jìn)行充分的局部搜索，在選擇策略上，運用了錦標(biāo)賽選擇策略，避免了一次性選擇最好的煙花直接進(jìn)入子代中，而與它數(shù)值近似的優(yōu)秀解則與其他解進(jìn)行輪盤賭選擇，采取該方法能夠更準(zhǔn)確地找到最優(yōu)秀的解的位置。通過對不同類型的測試函數(shù)進(jìn)行尋優(yōu)仿真實驗，實驗結(jié)果表明：對于一些測試函數(shù)，改進(jìn)算法都可以顯著提高其搜索速度和收斂速度，對于個別函數(shù)，改進(jìn)算法較原算法對于精度方面沒有顯著的提高，如何解決這些問題將成為我下一階段的研究重點。(a)1.Sphere(b)2.Schwefel’sProblem12(c)3.Rosenbrock(d)4.Ackley(e)5.Griewank(f)6.Rastrigin圖3-36個Benchmark函數(shù)的實驗結(jié)果(a)1.Sphere(b)2.Schwefel’sProblem12(c)3.Rosenbrock


本文編號：2936697