下载文档原格式
基于遗传算法（粒子群算法、人工鱼群算法等）的投影寻踪模型MATLAB源代码投影寻踪是一种处理多因素复杂问题的统计方法，其基本思路是将高维数据向低维空间进行投影，通过低维投影数据的散布结构来研究高维数据特征，可用于聚类、分类、综合评价、预测等。
投影寻踪模型最终可归结为一个非线性连续函数优化模型，可以采用遗传算法、粒子群算法、人工鱼群算法或人工免疫克隆优化算法等进行求解，得到最优的投影向量。
%% 第一步：仿真参数设置clcclearclose allload data1.txtD=data1。
%导入D矩阵[n,p]=size(D)。
K=300。
%迭代次数N=100。
%种群规模Pm=0.3。
%变异概率LB=-ones(1,p)。
%决策变量的下界UB=ones(1,p)。
%决策变量的上界Alpha=0.1。
%窗口半径系数，典型取值0.1b%% 调用遗传算法[BESTX,BESTY,ALLX,ALL Y]=GAUCP(K,N,Pm,LB,UB,D,Alpha)。
% GreenSim团队——专业级算法设计&代写程序% 欢迎访问GreenSim团队主页→%% 整理输出结果Best_a=(BESTX{K})'。
%方向向量d=zeros(n,p)。
Djmax=max(D)。
Djmin=min(D)。
for i=1:nd(i,:)=(D(i,:)-Djmin)./(Djmax-Djmin)。
endZ=zeros(n,1)。
for i=1:nZ(i)=abs(sum(Best_a.*d(i,:)))。
endZ=abs(Z)。
figure%投影散布图plot(abs(Z),'bd','LineWidth',1,'MarkerEdgeColor','k','MarkerFaceColor','b','MarkerSize',5)。
投影寻踪方法及应用内容摘要：本文从投影寻踪的研究背景出发，给出了投影寻踪的定义和投影指标，在此基础上得出了投影寻踪聚类模型，随后简单介绍了遗传算法。
最后结合上市公司的股价进行实证分析，并给出结论和建议。
关键词：投影寻踪投影寻踪聚类模型遗传算法一、简介（一）产生背景随着科技的发展，高维数据的统计分析越来越普遍，也越来越重要。
多元分析方法是解决高维数据这类问题的有力工具。
但传统的多元分析方法是建立在总体服从正态分布这个假定基础之上的。
不过实际问题中有许多数据不满足正态假定，需要用稳健的或非参数的方法来解决。
但是，当数据的维数很高时，即使用后两种方法也面临以下困难:第一个困难是随着维数增加，计算量迅速增大。
第二个困难是对于高维数据，即使样本量很大，仍会存在高维空间中分布稀疏的“维数祸根”。
对于核估计，近邻估计之类的非参数法很难使用。
第三个困难是对低维稳健性好的统计方法，用到高维时则稳健性变差。
另一方面，传统的数据分析方法的一个共同点是采用“对数据结构或分布特征作某种假定——按照一定准则寻找最优模拟——对建立的模型进行证实”这样一条证实性数据分析思维方法〔简称CDA法）。
这种方法的一个弱点是当数据的结构或特征与假定不相符时，模型的拟合和预报的精度均差，尤其对高维非正态、非线性数据分析，很难收到好的效果。
其原因是证实性数据分析思维方法过于形式化、数学化，受束缚大。
它难以适应千变万化的客观世界，无法真正找到数据的内在规律，远不能满足高维非正态数据分析的需要。
针对上述困难，近20年来，国际统计界提出采用“直接从审视数据出发—通过计算机分析模拟数据—设计软件程序检验”这样一条探索性数据分析新方法，而PP就是实现这种新思维的一种行之有效的方法。
（二）发展简史PP最早由Kruskal于70年初建议和试验。
他把高维数据投影到低维空间，通过数值计算得到最优投影，发现数据的聚类结构和解决化石分类问题。
1974年Frledman和Tukey加以改正，提出了一种把整体上的散布程度和局部凝聚程度结合起来的新指标进行聚类分析，正式提出了PP概念，并于1976年编制了计算机图像系统PRIM——9。
遗传算法投影寻踪模型近年来，遗传算法在寻优问题中的应用越来越广泛，其中遗传算法投影寻踪模型在MATLAB代码中的实现备受关注。
本文将以此为主题，结合具体的内容，对遗传算法投影寻踪模型进行深入探讨。
一、遗传算法的原理1.1 遗传算法的基本概念遗传算法是一种基于生物进化过程的启发式优化技术，它模拟了自然选择和遗传机制，通过不断的迭代优化过程来寻找最优解。
遗传算法包括选择、交叉、变异等基本操作，其中选择过程通过适应度函数来评价个体的优劣，交叉过程通过染色体的交换来产生新的个体，变异过程通过基因的随机改变来增加种群的多样性。
1.2 遗传算法的应用领域遗传算法广泛应用于优化问题、机器学习、神经网络、信号处理、图像处理等领域，在工程、科学领域有着重要的应用价值。
二、投影寻踪模型的概念2.1 投影寻踪模型的基本原理投影寻踪模型是一种在信号处理领域中常用的算法，其基本原理是通过对信号进行投影变换来实现信号的降维和提取特征。
2.2 投影寻踪模型的应用投影寻踪模型在语音识别、图像处理、数据压缩等方面有着广泛的应用，是一种常见的信号处理技术。
三、MATLAB代码实现3.1 MATLAB环境准备在进行遗传算法投影寻踪模型的实现之前，首先需要在MATLAB环境中准备好相应的工具箱和设置参数。
3.2 遗传算法投影寻踪模型代码编写通过MATLAB的编程能力，可以实现遗传算法投影寻踪模型的代码编写，包括遗传算法的参数设置、适应度函数的定义、种群的初始化、交叉和变异操作的实现等步骤。
3.3 代码调试和优化在编写完整的遗传算法投影寻踪模型代码后，需要进行充分的调试和优化，确保代码的正确性和效率。
四、实验结果分析4.1 实验数据准备在进行实验结果分析之前，需要准备相应的实验数据集，以便进行测试和对比分析。
4.2 结果对比分析通过对遗传算法投影寻踪模型的实验结果进行对比分析，可以评估其算法性能和适用范围，与其他优化算法进行效果比较。
4.3 结果展示与解读最后需要将实验结果进行展示，并对结果进行解读和分析，从数学模型和应用角度分析遗传算法投影寻踪模型的优缺点和改进方向。
基于投影寻踪分类模型的暗管优化布局近年来，随着云计算、大数据分析等领域的快速发展，网络数据中心（Data Center）规模不断扩大，能耗问题成为制约其发展的重要因素之一。
为了降低数据中心的能耗，研究人员提出了如优化布局、深度休眠等措施。
本文将重点介绍一种基于投影寻踪分类模型的暗管优化布局方法。
暗管布局是一种较为常见的优化布局方法。
它将机柜摆放在一定的空间布局中，通过优化过的降温、冷却系统实现机柜的散热。
与传统布局方法相比，暗管布局更加灵活，能够更好地适应不同规模的数据中心。
但是，在实际应用中，暗管布局需要经过多轮试验和调整，效率较低，且本身的优化能力也存在一定局限。
因此，如何进一步优化暗管布局成为研究的热点之一。
基于投影寻踪分类模型的暗管优化布局方法是近年来研究人员提出的一种新型优化方法。
它首先通过数据采集和分析，获取数据中心中设备的工作负载和散热情况。
接着，将这些数据输入到投影寻踪分类模型中进行分析和建模。
在模型分析结果的指导下，优化者可以针对不同的布局方案进行试验和调整，实现数据中心的最优布局。
投影寻踪分类模型是一种基于数据挖掘技术的分类模型。
它通过投影与寻踪算法将数据映射到高维空间中，实现数据的分类和预测。
在暗管优化布局中，投影寻踪分类模型将数据中心的各项指标映射到高维空间中，根据这些指标之间的关系进行分析。
在分析过程中，模型可以确定不同指标之间的权重关系，并根据这些关系提供相关建议，指导优化者调整暗管布局。
基于投影寻踪分类模型的暗管优化布局方法与传统的暗管布局方法相比，具有以下优点：1. 网络数据中心的规模不断扩大，数据量的增加和复杂性的提高为优化带来了极大的挑战。
基于数据挖掘技术的投影寻踪分类模型能够高效地处理大量数据，并提供基于数据的决策支持。
2. 传统的暗管布局方法需要经过多轮试验和调整，效率较低。
基于投影寻踪分类模型的优化方法可以在较短时间内对数据进行分析和建模，提高了优化效率。
2投影寻踪分类模型简介一、投影寻踪分类模型投影寻踪分类模型(Projection Pursuit classification ,简称PPc)的建模过程包括如下几步:步骤1:样本评价指标集的归一化处理。
设各指标值的样本集为{x*(i,j)|i=1,2,…,n; j=1,2,…,p },其中x*(i,j)为第i 个样本第j 个指标值,n,p 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，可采用下式进行极值归一化处理:对于越大越优的指标:)(x -)()(x -j)(i,*x =j)(i,x min max min j j x j 对于越小越优的指标: )(x -)(),(*x -(j)x =j)(i,x min max max j j x j i 其中，(j)x max ,)(x min j 分别为第j 个指标值的最大值和最小值,j)(i,x 为指标特征值归一的序列。
步骤2:构造投影指标函数Q(a)。
PP 方法就是把p 维数据{x(i,j)|i=1,2,…,p}综合成以a={a(1),a(2),a(3),…,a(p)}为投影方向的一维投影值z(i)),,()(=)(∑1=j i x j a i z pj i=1,2,…,n然后根据{z(i)|i=1,2,…,n}的一维散布图进行分类。
式(4.2)中α为单位长度向量。
综合投 影指标值时，要求投影值z(i)的散布特征应为:局部投影点尽可能密集，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。
因此。
投影指标函数可以表达成:Q(a)=S z D Z其中，S z 为投影值z(i)的标准差，D z 为投影值z(i)的局部密度，即: 1-E(z))-)((=∑1=2n i z S n i z∑∑1=1=)j)r(i,-u(R ×j))r(i,-(=n j n i Z R D其中，E( z)为序列{z(i)|i=1,2,…,n}的平均值;R 为局部密度的窗口半径，它的选取既要使包 含在窗口内的投影点的平均个数不太少，避免滑动平均偏差太大，又不能使它随着n 的增大 而增加太高，R 可以根据试验来确定; r(i,j)表示样本之间的距离， z(j)-)(=),(i z j i r ;u(t)为一单位阶跃函数，当t ≥0时，其值为1，当t<0时其函数值为0。
2 投影寻踪评价模型
投影寻踪方法最早出现于20世纪60年代末，Krusca 首先使用投影寻踪方法，把高维数据投影到低维空间，通过计算，极大化一个反映数据聚集程度的指标，从而找到反映数据结构特征的最优投影方向。
它是用来分析和处理高维观测数据，尤其是对于非线性、非正态高维数据的一种新型统计方法。
目前已广泛地应用于分类、模式识别、遥感分类、图像处理等领域。
具体应用过程如下： 设投影寻踪问题的多指标样本集为{}n j m i j i x ,,1;,,1),( ==,其中, m 是样本的个数，n 为指标个数。
建立投影寻踪模型的步骤如下：
（1）数据预处理：样本评价指标集的归一化处理，消除各指标值的量纲和统一各指标值的变化范围。
对于越大越优的指标：))()(/())(),((),(min max min j x j x j x j i x j i x --=*（1）；对于越小越优的指标：))()(/()),()((),(min max max j x j x j i x j x j i x --=*（2）；其中，)(max j x )(min j x 为第j 个指标的最大值、最小值。
（2）构造投影指标函数：
设A(j)为投影方向向量，样本i 在该方向上的投影值为：∑=*=n
j j i X j A i Z 1),()()( （3）
即构造一个投影指标函数Q(A)作为确定投影方向优化的依据，当指标达到极大值时，就认为是找到了最优投影方向。
在优化投影值时，要求Z(i)的分布特征应满足:投影点局部尽可能密集，在整体上尽可能散开。
因此，投影指标函数为:Q(A)=S z *D z ，式中:S z — 类间散开度，可用Z(i)的标准差代替;D z — 类内密集度，可表示为Z(i)的局部密度。
其中：
212
1)}1/(])([{--=∑=m Z i Z S m i z ； )()(11
ij m i m j ij z r R I r R D -*-=∑∑== Z —序列{Z （i ）|i =1~m }的均值；R 是由数据特征确定的局部宽度参数，其值一般可取0.1*S z ，当点间距值ij r 小于或等于R 时，按类内计算，否则按不同的类记;ij r =| Z(i)一Z(j)|;符号函数I (R -ij r )为单位阶跃函数，当R ≥ ij r 时函数值取1，否则取0。
（3）估计最佳投影方向：通过求解下面的优化模型来计算最佳投影方向：
目标函数：)(max A Q ；约束条件：∑=n
j j a 12
=1； （4）等级评价：得到近似最佳投影方向后，计算各等级样本点的投影值，建立等级评价方法，并对待评价样本进行归一化处理后计算其投影值，按等级评价标准，确定待评样本所属类别。
