基于RAGA的投影寻踪分类模型在评标中的应用.pdfVIP

第36卷 第6期 山 西 建 筑 V01．36No．6 2010年 2月 SHANXI ARCHITE 兀瓜 I Feb． 2010 ·241 · 文章编号 ：1009—6825(2010)06—0241—02 基于 RAGA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(PPC)，把高维数据转换到低维子空间，同时用实码加速遗传算法(R SA)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：TU723．2 文献标识码 ：A 0 引言 影方向的一维投影值Z(i)，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 Z(i)= n(J)z(i，J) (i=1～ ) (3) 型的多 目标决策 问题。存在较大的主观性和人为干扰因素…1。 然后根据 {z(i)}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 (RealcodingbasedAccelerating 时，要求投影值 z(i)的散步特征应为：局部投影点尽可能密集， GeneticAlgorithm，简称 RAGA)的投影寻踪 (ProjectingPursuit 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。 Classification，简称 epc)分类模型¨2J，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。 Q(口)=S (4) 1 PPC模型的原理及步骤 其中，S为投影值Z(i)的标准差 ； 为投影值z()的局部 1．1 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Friedman 和Tukey(1974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 (5) 聚类和分类分析_2J。投影寻踪 (ProiectingPursuit，简称PP)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 Dz= (R —r(i，J))* “(R —r(i，)) (6) 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，E()为序列 {(i)li=1～ }的平均值；R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 rl的增大而增加 PP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，R可以根据实验来确定，一般可取值为0．1 ；r(i，J)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。 一，，一 本之间的距离，r(i，)=lZ(i)