计算机工程与应用
計算機工程與應用
계산궤공정여응용
COMPUTER ENGINEERING AND APPLICATIONS
2013年
17期
63-67,107
,共6页
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
多智能體遺傳優化算法%投影尋蹤聚類模型%投影嚮量%評價指標%探索性研究%驗證性分析
다지능체유전우화산법%투영심종취류모형%투영향량%평개지표%탐색성연구%험증성분석
Multi-agent Genetic Algorithm(MGA)%Projection Pursuit Clustering(PPC)model%projection vector%evaluation indexes%exploratory research%confirmatory analysis
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。
採用多智能體遺傳算法(MGA)進行投影尋蹤聚類(PPC)建模,對投影嚮量約束條件採用兩種不改變迭代進化過程的歸一化處理方法,經三種不同類型的數據分彆進行建模,得到瞭相同的建模結果,有效地解決瞭求解最佳投影嚮量的最優化問題。對評價指標數據採用極大化或極小化(不同的歸一化)處理方式,得到的投影嚮量繫數互為相反數,同一樣本的投影值之間隻相差一箇常數,說明PPC建模技術既可用于探索性研究,也可用于驗證性分析。PPC技術主要用于大樣本情況,穩健性和可靠性均較好;指標之間存在明顯的相關性,會影響建模結果的有效性和閤理性。
채용다지능체유전산법(MGA)진행투영심종취류(PPC)건모,대투영향량약속조건채용량충불개변질대진화과정적귀일화처리방법,경삼충불동류형적수거분별진행건모,득도료상동적건모결과,유효지해결료구해최가투영향량적최우화문제。대평개지표수거채용겁대화혹겁소화(불동적귀일화)처리방식,득도적투영향량계수호위상반수,동일양본적투영치지간지상차일개상수,설명PPC건모기술기가용우탐색성연구,야가용우험증성분석。PPC기술주요용우대양본정황,은건성화가고성균교호;지표지간존재명현적상관성,회영향건모결과적유효성화합이성。
Multi-agent Genetic Algorithm(MGA)is applied to effectively and successfully optimize the optimal projection vec-tor in the Projection Pursuit Clustering(PPC)model. Two different normalization methods, without changing the evolution pro-cess, 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 prop-erly reliable and effective results. The correlation between variables will influence PPC model’s effectiveness and rational.