基于RAGA的投影尋蹤分類模型改進與實例分析

朱成功

(上海理工大學 光電信息與計算機工程學院，上海 200093)

基于RAGA的投影尋蹤分類模型改進與實例分析

朱成功

(上海理工大學 光電信息與計算機工程學院，上海 200093)

針對實數編碼加速遺傳算法(RAGA)在求解投影尋蹤分類(PPC)模型陷入局部最優的問題，通過引入區間擴展因子：在變量區間過小時，對變量區間進行適當擴展；在擴展區間"越界"時，即以邊界作為變量的取值。并選取合理的局部密度窗口半徑R，建立了改進的RAGA-PPC分類模型，并以文獻中S縣15個鄉鎮申請糧援項目的投資順序為例進行驗證分析。研究表明，改進的RAGA-PPC模型對樣本分類評價，確立指標因素的貢獻程度大小具有一定的可行性和廣泛的通用性。

實數編碼加速遺傳算法；區間擴展；窗口半徑；投影尋蹤分類

自從金菊良等[1]提出加速遺傳算法，已在干旱環境監測、自然災害、水文地質工程地質等眾多領域得到了廣泛應用[2-4]。相比于標準遺傳算法(SGA)，加速遺傳算法克服了在實際應用中存在早熟收斂、計算量大和解的精度差等缺點[5]，但目前一些論文并沒有對變量區間進行改進，如文獻[6]采用了自適應的交叉和變異操作，解決了因交叉概率和變異概率不變而導致過快出現局部收斂的現象，文獻[7]提出了基于個體修正模型的改進加速遺傳算法，根據各子目標函數值對應因素的重要性程度，運用層次分析法確定各因素的權重，依次采用相應的權重構造總目標函數。

投影尋蹤模型(Projection Pursuit Clustering，PPC)是由Friedman和Turkey于1974年提出的，是處理和分析高維數據的新興統計方法，傳統的投影尋蹤技術存在計算量大等缺點[8]，因此金菊良等提出用RAGA求解投影尋蹤模型[9]。……