基于改进遗传算法的计算机数学模型构建研究
来源:用户上传
作者:何庆 钟维坚 田风 林锋 唐苏东
【摘要】 面向网络计算机中海量的数据信息，采取传统匹配搜索遗传算法进行匹配点、非匹配点的遍历，通常遍历到无效度更高的非匹配点较多，很难在短时间内找到与样本相近的最佳匹配点。基于此，针对基本遗传算法的无效遍历、数据冗余弊端，结合最小二乘法、Bagging集成聚类算法对原有遗传算法作出改进，建立起相似度匹配的计算机数学模型，确定高精度因子匹配的参数估算范围和辨识度，改进遗传算法关联矩阵编码、解码、交叉等集成学习与迭代环节，以扩展样本匹配的搜索空间与深度。
【关键词】 改进遗传算法 计算机 数学模型 构建
引言：
在企业工业化生产、计算机视觉处理数据匹配中，通常需要根据视觉数据因子、工作站的数量，设置n个样本数据为初始聚类中心，对多个相似对象进行最小误差求解，将不同对象分配至距离其最近的聚类中心，来完成算法最优解的搜索与匹配。因而面对传统遗传算法具有的无效遍历更多、搜索深度不足等特征，本文提出基于Bagging集成聚类的改进遗传算法，建立起企业装配线的计算机平衡优化数学模型，将双目装配线中的生产作业要素因子，合理分配到相应的工作站之中，进行种群聚类分析的编码、适应度计算，得到每个个体的搜索与聚类结果。
一、传统遗传算法的编码、数据搜索与交叉操作执行流程
魍骋糯算法为美国密歇根大学J. H.Holland教授，根据达尔文“自然选择理论”提出的自适应数据信息搜索/优化技术，其初始群体编码是由二进制“0”和“1”字符组成的一连串字符串，将具有类似特征的字符串组合为特定子集，并利用随机搜索技术对多个字符串组成集合，进行交叉、变异等的迭代遗传操作，来确定全局最优解。
因而该遗传算法主要是对编码后的控制参数，作出编码串模式阶次的群体矢量搜索。在完成某一空间数据参量的编码后，先对群体P（t）展开选择、交叉、变异等遗传算法运算，再根据所求问题的目标函数（适应度函数），进行编码字符串集群中个体的适应度评估，得到下一代群体P（t+1）。传统遗传算法的编码、数据搜索与交叉操作的简单执行流程如下所示。
开始程序;
t←0;
初始化种群P（t） 编码;
评价种群P（t）编码;
如果不符合终止条件，则开始循环;
T←t+1;
从上一代种群P（t-1）中选择个体，形成新的群体P（t）;
种群P（T）通过交叉和变异进化;
种群P（T）的适应度计算;
评价组P（T）;
周期结束;
程序执行结束。
二、基于Bagging集成聚类的改进遗传算法
传统遗传算法在多个编码数据集群的搜索、交叉操作过程中，常常表现出无效遍历、数据冗余、搜索深度不足等问题，因而提出Bagging集成聚类算法，利用多个基学习器进行编码样本的综合学习，使聚类所有样本到聚类中心距离的平方和最小，由此得出每个集群个体的所属类别。
（一）Bagging并行式集成学习算法
Bagging是在统计学习采样技术的基础上，对多种不确定性样本进行统计、推断与学习的技术，具有多次抽样、并行集成的样本采集特征。如先给定样本容量为n的编码数据集群，从该集群中随机取出某一样本，放入Bagging采样数据集，再将该样本放回初始数据集，经过这样多次的随机抽样，重复抽样的过程为T次，得到涵盖v个样本的采样数据集，可记为Bagging样本Di=（x1，x2，…，xv），i=1，2，…，T。
针对以上T个采样出的训练样本集，选取多个基学习器对每个采样集的v个样本进行训练，再将以上多个基学习器的训练结果作出整合，输出为最终的Bagging并行式集成学习结果，完成Bagging算法的基本执行流程，具体集成学习结构如图1所示：
（二）Bagging与K均值聚类结合的遗传算法
集成聚类的遗传学习算法，是将Bagging集成学习算法、K均值聚类算法进行结合，生成K均值集成聚类算法，选定多个基学习器进行样本的训练学习，该机器训练学习流程属于无监督学习。也就是通常使用无标签的数据集、聚类准则函数，构建起用于聚类分析的准则函数：
（1）
具体集成聚类遗传算法的执行流程如图2所示。
第一步，给出n个混合样本，选取K个初始聚合中心Zj（I），j=1，2，...，K，其中I表示迭代次数。
第二步，利用Bagging集成学习算法采样数据训练集，将原始数据集的随机抽样放回原处，重复抽样过程T-1次，并获得涵盖v个样本的总共T-1抽样数据集，表示为Di=（x1，x2，…，xv），i=1，2，…，T-1。
第三步，在完成多个样本归类时，取出未抽样的w个样本，形成另一个取样集，记录为DT=（x1，x2，…，xv），则可以将以上的样本采样数据集总和为：
（2）
第四步，使用多个K均值基学习器，在T样本集上执行单独的聚类训练。将初始聚类类别数设置为K，将初始训练集中的样本数设置为z，建立K・z相关矩阵，并由基础学习者对样本进行聚类。记录基学习器的不同样本聚类类别投票的数据信息，如第i行和第j列的s数值，则表明存在有s个均值基学习器，对第i样本归类为第j类。
第五步，根据以上的K・z维关联矩阵，依照投票法则进行每个样本聚类类别的表示，其中投票数最多的聚类类别为样本类别，若投票数相同则随机选择某一类别，作为样本最终的聚类类别。
第六步，计算不同样本到聚合中心的距离D （xk，Zj（I））min={D（xk，Zj（I）），其中k=1 ，2，…，n，j=1，2，...，K，且xk∈wi。之后将得到的k个新的聚合中心，用
nlc202205111811
转载注明来源:https://www.xzbu.com/1/view-15431050.htm
