[发明专利]基于群智能算法的投影寻踪分类建模软件及实现

权利要求书

1.基于群智能算法的投影寻踪分类建模软件，其特征在于，包括： 

样本数据模块，用于对样本数据进行采集； 

归一化方法模块，与所述样本数据模块相连接，用于对采集到的样本数据进行预处理； 

PPC建模模块，与所述归一化方法模块相连接，用经过预处理的样本数据建立PPC模型；全局最优解模块，与所述PPC建模模块相连接，设定合理的R值，通过群智能最优化算法进行求得全局最优解，并且根据是否求得真正全局最优解的准则判断最优化过程求得的全局最优解是否正确，从而求得最优投影向量和样本投影值。 

2.根据权利要求1所述的基于群智能算法的投影寻踪分类建模软件，其特征在于，所述归一化方法模块，还包括：极差归一法模块、最大值归一法模块、零均值归一法模块。 

3.根据权利要求1所述的基于群智能算法的投影寻踪分类建模软件，其特征在于，所述全局最优解模块，还包括：粒子群算法模块、多智能体遗传算法模块、混沌蜂群算法模块。 

4.基于群智能算法的投影寻踪分类建模软件的实现方法，其特征在于，包括如下步骤：步骤一：样本数据归一化预处理； 

首先通过所述样本数据采集模块采集样本数据，由于样本数据各指标之间的单位、评价标准、数值大小的变化范围等均存在较大的差异，为了尽可能保留原始样本数据中评价指标值之间的相对变化信息和规律，必须对原始样本数据进行预处理，通过归一化方法模块提供了三种不同的归一化方法对原始样本数据进行预处理，求出正向指标和逆向指标，具体方法为： 

①采用极差归一法，求出正向指标和逆向指标值，具体为： 

正向指标：

逆向指标：

②采用最大值归一法，求出正向指标和逆向指标值，具体为： 

正向指标：

逆向指标：

③采用零均值归一法，求出正向指标和逆向指标值，具体为 

正向指标：

逆向指标：

其中，三种不同归一化方法中，x_i,j、均分别为第i个样本的第j个正向指标值、逆向指标值和指标值；均分别为第j个指标的最大值和最小值；均为第j个指标的均值，均为第j个指标的标准差； 

步骤二：通过PPC建模模块建立PPC模型的目标函数Q(b)，并且通过求解目标函数Q(b)的最大值，进一步地得到最优投影向量系数或者称为权重的b_j； 

首先，令为p维投影向量，b_j为第j个指标的投影向量系数或者称为权重，则第i个样本的投影值为

根据PPC建模要求所有样本投影点整体上尽可能分散和局部尽可能密集的基本思想，得出PPC模型的目标函数Q(b)为样本投影点的标准差S_y和局部密度D_y的乘积，通过求解目标函数Q(b)的最大值，进一步地得到最优投影向量系数或者称为权重的b_j，即：Q(b)＝max(S_y*D_y)， 

约束条件：-1≤b_j≤1， 

其中，样本投影点的标准差n为样本个数，为y(i)的均值；局部密度样本i和k之间的距离r_i,k＝|y(i)-y(k)|,R为局部密度窗口半径，符号函数f(R-r_i,k)为单位阶跃函数，当R-r_i,k≥0时，f(R-r_i,k)＝1，否则，f(R-r_i,k)＝0； 

步骤三：根据所述步骤二中对PPC模型的目标函数Q(b)最大值的求解，或称为目标函数 的最优化，提出了一种更加合理、准确的R值的取值范围，具体为； 

r_max5≤R≤r_max/3, 

其中，R为窗口半径，r_max为所有样本之间的最大距离； 

步骤四：通过所述全局最优解模块和所述步骤三中定义的R值的取值范围，应用群智能最优化算法求解PPC模型的目标函数Q(b)，进一步地求得全局最优解P_g； 

提出三种不同群智能最优化算法，包括：粒子群算法、多智能体遗传算法和混沌蜂群算法，分别对PPC模型目标函数进行求解，以确保建立的PPC模型的正确性，具体算法如下： 

①粒子群算法，速度和位置的具体公式为： 

约束条件：s.t.-V_max＜V_d(t+1)＜V_max, 

其中，c₁表示自学习系数，为常数，具体值为c₁＝2，c₂表示社会学习系数，为常数，具体值为c₂＝2；rand₁和rand₂为[0,1]的随机数；ω表示惯性系数，从最大值ω_max线性减小到最小值ω_min，计算公式为本算法中ω_max=0.9，ω_min=0.4，迭代步数t＝1,2,...,N，N为最大迭代步数，V_max表示粒子移动的最大速度，本算法中V_max＝0.5，V_d(t)表示第d个粒子在迭代步数为t时的移动速度，X_d(t)表示第d个粒子在迭代步数为t时的位置，d＝1,2,...,M，M为种群规模，P_d表示第d个粒子经历的最优位置，P_g表示群体中最好粒子经历的最优位置，根据约束条件删选出全局最优解；当t超过了最大迭代步数N时，则停止计算； 

②多智能体遗传算法，具体步骤为： 

1.初始化大小每个智能体L_d,e＝(X₁,X₂,...,X_p)，都为p维单位向量，智能体L_d,e的每一个分量的取值在[-1,1]上，即-1≤X_j≤1,j＝1～p，其中，表示初始智能体大小，L⁰表示初始状态智能体网格； 

2.对L^t中的每个智能体执行领域竞争算子计算，求出L^t+1/3； 

其中，L^t表示第t代智能体网格，L^t+1/3是L^t和L^t+1间的中间代智能体网格,t表示迭代步数； 

3.对L^t+1/3中的每个智能体进行计算，若U(0,1)＜P_c，则将领域正交交叉算子作用在每 个智能体上，求出L^t+2/3； 

其中，L^t+2/3是Lt和L^t+1间的中间代智能体网格，U(0,1)表示相对搜索半径，P_c是预先设定的参数，用于控制领域内正交交叉算子的执行，本算法中U(0,1)为[0,1]的随机数，P_c=0.1； 

4.对L^t+2/3中的每个智能体进行计算，若U(0,1)＜P_m，则将变异算子作用在每个智能体上，求出L^t+1； 

其中，P_m是预先设定的参数，用于控制领域内变异算子的执行，本算法中P_m=0.1； 

5.如果迭代步数t超过了最大迭代步数N，则停止计算，并输出P_g，否则令t+1→t并重复所述步骤二至四的计算，重新求出L^t+1/3，L^t+2/3和L^t+1； 

其中，P_g是智能体网格L⁰，L¹，……，L^t中的最优智能体，即PPC模型目标函数的全局最优解； 

③混沌蜂群算法，将每个食物源X_d(d＝1,2,...,M)的位置代表PPC模型目标函数的一个可能解，即投影向量，进一步地求出最大适度值F_g所对应的食物源，即PPC模型目标函数的全局最优解，具体步骤如下： 

1.用混沌算法求出M个初始食物源，每个食物源X_d(d＝1,2,...,M)是一个p维向量； 

2.观察蜂选择食物源，进而计算出观察蜂选择食物源的概率q_d，具体公式为： 

其中，F_d表示第d个解的适应度，F_e表示第e个解的适应度； 

3.采蜜蜂和观察蜂对记忆中原始解邻域进行搜索，具体公式为： 

V_d,j＝X_d,j+rand_d,j(X_d,j-X_e,j)， 

其中，V_d,j表示蜜蜂搜索步长，e∈{1,2,...,M}，j∈{1,2,...,p}中随机选择的下标，并满足e≠j，rand_d,j为[-1,1]区间的随机数，用于控制了X_d,j领域内新解的产生并代表蜜蜂对2个可视范围内食物位置的比较； 

4.如果食物源X_d,j经过指定的极限次循环后，仍然没有改进，则该位置对应的解将被放弃；否则该位置的采蜜蜂转变为侦察蜂，寻找到新的食物源，具体公式为： 

X_d＝X_min+rand·(X_max-X_min)， 

X_d表示计算出的新食物源，X_max和X_min分别表示新食物源的上界和下界，rand表示生成[0,1]的随机数。 

5.如果迭代步数t超过了最大迭代步数N，则停止计算，并输出P_g，否则重复所述步骤二至四，直至输出P_g为止； 

其中，P_g＝max(F_g)，F_g表示第g个解的适应度，即PPC模型目标函数的全局最优解；步骤五：提出如何判断最优化过程是否求得真正全局最优解的准则，具体为： 

准则1：根据所述步骤一，同一指标数据采用正向指标归一化和逆向指标归一化进行处理，其投影向量系数或者称为权重的值必定互为相反数； 

准则2：由所述准则1可知，若是最优权重，则也必定是最优权重； 

准则3：所有样本值都相等的指标的投影向量系数或者称为权重的值必定等于0； 

准则4：归一化后数值完全相同的两个指标，其投影向量系数或者称为权重的值必定是相同的； 

准则5：采用约束条件0≤b_j≤1进行建模，逆向指标的投影向量系数或者称为权重的值必定等于0； 

步骤六：根据所述步骤五的准则，对步骤四中通过三种不同群智能算法求得的最优解进行判断，进而求得全局最优解； 

根据所述步骤五中判断真正全局最优解准则，对计算的结果进行判断，如果三种不同群智能算法均未能求得全局最优解，则是R取值太小所致，在适当增大R值后，重复所述步骤四的过程，通过该三种不同群智能算法计算最优解，直到求得全局最优解为止。