朱成功

(上海理工大学 光电信息与计算机工程学院，上海 200093)

基于RAGA的投影寻踪分类模型改进与实例分析

朱成功

(上海理工大学 光电信息与计算机工程学院，上海 200093)

针对实数编码加速遗传算法(RAGA)在求解投影寻踪分类(PPC)模型陷入局部最优的问题，通过引入区间扩展因子：在变量区间过小时，对变量区间进行适当扩展；在扩展区间"越界"时，即以边界作为变量的取值。并选取合理的局部密度窗口半径R，建立了改进的RAGA-PPC分类模型，并以文献中S县15个乡镇申请粮援项目的投资顺序为例进行验证分析。研究表明，改进的RAGA-PPC模型对样本分类评价，确立指标因素的贡献程度大小具有一定的可行性和广泛的通用性。

实数编码加速遗传算法；区间扩展；窗口半径；投影寻踪分类

自从金菊良等[1]提出加速遗传算法，已在干旱环境监测、自然灾害、水文地质工程地质等众多领域得到了广泛应用[2-4]。相比于标准遗传算法(SGA)，加速遗传算法克服了在实际应用中存在早熟收敛、计算量大和解的精度差等缺点[5]，但目前一些论文并没有对变量区间进行改进，如文献[6]采用了自适应的交叉和变异操作，解决了因交叉概率和变异概率不变而导致过快出现局部收敛的现象，文献[7]提出了基于个体修正模型的改进加速遗传算法，根据各子目标函数值对应因素的重要性程度，运用层次分析法确定各因素的权重，依次采用相应的权重构造总目标函数。

投影寻踪模型(Projection Pursuit Clustering，PPC)是由Friedman和Turkey于1974年提出的，是处理和分析高维数据的新兴统计方法，传统的投影寻踪技术存在计算量大等缺点[8]，因此金菊良等提出用RAGA求解投影寻踪模型[9]。……