基于RAGA的投影寻踪分类模型在评标中的应用.pdf.pdf

第卷第期山西建筑..
年月兀瓜. · ·
文章编号:———
基于的投影寻踪分类模型在评标中的应用
周书敬董立国
摘要:运用投影寻踪分类评价模型,把高维数据转换到低维子空间,同时用实码加速遗传算法来优化投
影指标函数和模型参数,从而根据投影值的大小进行项目决策,并结合实例进行了验证。
关键词:遗传算法,投影寻踪分类模型,评标
中图分类号:. 文献标识码:
引言影方向的一维投影值,即:
工程项目评标目前常采用综合评标法,工程项目评标属于典, ~
型的多目标决策问题。存在较大的主观性和人为干扰因素⋯。
然后根据的一维散布图进行分类。综合投影指标值
本文提出了基于实码加速遗传算法
时,要求投影值的散步特征应为:局部投影点尽可能密集,
,简称的投影寻踪
最好凝聚成若干个点团;而在整体上投影点团之间尽可能散开。
,简称分类模型¨,能够克服以往数学方法的诸
因此,投影指标函数可以表达成:
多弊端。
口
模型的原理及步骤
其中,为投影值的标准差; 为投影值的局部
. 投影寻踪的原理密度。
投影寻踪是一种可用于高维数据分析的方法,是由
和年模仿有经验的数据分析工作者的做法,提出的
一种把整体上散布程度和局部凝聚程度结合起来的新指标来做
聚类和分类分析。投影寻踪,简称方法
能克服高维数据的“维数祸根”所带来的严重困难,这是因为它对—,“—,
数据的分析是在低维子空间上进行的,对一至三维的投影空间数其中,为序列~的平均值; 为局部密度
据点来说,足以发现数据在投影空间中的结构或特征。它可以排的窗口半径,它的选取既要使包含在窗口内的投影点的平均个数
除与数据结构和特征无关的,或关系很小的变量的干扰。另外, 不太少,避免滑动偏差值太大,又不能使它随着的增大而增加
方法可以将高维数据投影到一维子空间上,再对投影后的一太高, 可以根据实验来确定,一般可取值为. ;,为样
维数据进行分析,比较不同一维投影的分析结果,找出好的投影。本之间的距离一,,,一一;“为一单位阶越函
方法与其他非参数方法一样可以用来解决某种非线性问题。数,当≥时,其值为,当时,其值为。
方法虽然是以数据的线性投影为基础,但它找的是线性投影中优化投影指标函数。当各指标值的样本集给定时,投影指
的非线性结构,因此它可以用来解决一定程度的非线性问题。标函数只随着投影方向变化,不同的投影方向反应不同
. 投影寻踪建模步骤的数据特征,最佳投影方向就是最大可能暴露高维数据某类特征
模型的建模过程包括以下几点,: 结构的投影方向,因此可以通过求解投影指标函数最大化问题来
样本评价指标集的归一化处理。设各指标值的样本集为估计最佳投影方向,即:
, ,:~,其中, ,为第个样本第
,.. 。
个指标值;/,分别为样本的个数样本容量和指标的数目。为
消除各指标值的量纲和统一各指标值的变化范围,可以用极值归这是一个以~为优化变量的复杂非线性优化
一化处理。问题,用传统的优化方法处理较难。因此,本文应用模拟生物优
对于越大越优的指标,处理为: 胜劣汰与群体内部染色体信息交换机制的、基于实数编码的加速
遗传算法来解决其高维全局寻优问题。

山