基于免疫蚁群算法在企业客户群分类中的应用.docxVIP

鉴于免疫蚁群算法在公司客户群分类中的应用 【纲要】为认识决公司中剖析分类客户群效率低的问题，本文采用了一种将免疫算法和蚁群算法有机交融的方法，组成了结合免疫体制的蚁群优化算法，将公司中的客户群进行分类，选用最正确客户群，为公司赢得最大的利润。通过与遗传算法和模拟退火算法的对照剖析，对照实验表示，免疫蚁群算法在分类精度和搜索效率具有优秀的性能。 【重点字】免疫算法，蚁群算法，客户群，公司， 利润 引言 预测公司客户群是一个 NP 完全问题。传统的优 化搜索算法难以有效解决， 一个合理的目标是寻找该 问题的启迪式算法， 在一个低阶多项式时间内找到一 个靠近最优的解。而蚁群算法（ ACA ） 是由意大利 学者 M.Dorigo 提出的一种新型的模拟进化的启迪式 算法， 该算法不依靠于详细问题的数学描绘， 鲁棒性 好，并行度高，易于其他优化算法交融，能够适应网 络拓扑的频繁变化， 被宽泛应用于解决各类 NP 问题。 蚁群优化算法 ACO 算法的过程掌管着三个行为： 蚂蚁的产生和行为、信息素的挥发和守卫行为。一个普通的 ACO 应用就是蚁群系统（ ACS）。在 ACS 的“蚂蚁的产生 和行为”这一过程中，蚂蚁 k 根据公式 1 的规则在时 刻 t 由节点 r 移动到下一个节点 s。 其中 τru（t）是在 t 时刻的信息素轨迹， ηru 是 特定问题的启迪信息， β是描绘启迪信息重要性的参 数， q 是一个均匀散布在 [0，1]区间上的随机数， q0 是预先确定的参数（ 0≤q0≤1），allowdk （t）代表了那些在 t 时刻没有被分派到蚂蚁 k 的那些可用节点， S 是从 allowdk （t）中精选出来的节点的索引， allowdk t）通过下面公式确定的概率散布函数来精选节点 3 鉴于免疫的蚁群优化算法的实现 表 1 是一个客户的信息组成数据表，能够利用免疫的蚁群优化算法在客户群中对最正确客户进行分类。公司的最正确客户群，即能够从客户处获取最大利润的特点由客户的收入水平、客户的家庭人口、客户的年纪所组成。而从客户处获取的利润则是从客户的累计 购置金额乘以 2%，减去每次购置商品的手续费 10 元。这里的手续费拘束条件在其他数据挖掘中是较难考虑 的。 根据客户数据的条件，可用如下 4 个属性来定义 客户种类。 属性 1：客户的年纪下限； 属性 2：客户的年纪上限；属性 3：客户的收入水平；属性 4：客户的人口状况，分红少（ 1～2 人）、一般（ 3～4 人）和多（ 5 人以上）三种状况。 通过调研统计剖析，这能够用“ 40|55|中等 |一般”的基因位串表示年纪在 40～55 岁之间、中等收入、家庭人口一般的客户群。环境适应函数则从客户群中的 购置利润中扣除手续费。在适应函数中还要增加一个限制条件：客户的年纪下限必须小于客户的年纪上限，以防备在自适应遗传计算过程中出现客户年纪下限超过客户年纪上限的情况。 在这里给出的属性分组会使最理想的客户群出现只有一种家庭人口和一般收入水平的情况，显然，这与实际不相切合。为此，为属性从头进行设计。按照家庭收入的高、中、低和人口的少、一般、多分别设计三个基因。用“是” 、“否”值来确定某个值是否存在于某个客户群中。 鉴于免疫的蚁群优化算法在用于公司客户群的分类步骤。 （1）随机产生初始父代种群 A1 ； （5）对 Ck 进行接种疫苗操作，得到种群 Dk ； （6）对 Dk 进行免疫选择操作，得到新一代父本 Ak+1 ，转至（ 1）。 7）若目前群体中包含最正确个体， 则算法停止运行并输出结果；否则持续； 仿真剖析及结果 在仿真切现中，采用了 mySAP CRM3.0 平台上，使用的搜索算法有 ACO 、模拟退火算法（ SA）和遗传算法（GA ）对客户群进行分类搜索， 根据顾客的基本属性年纪，性别，购置金额，家庭人口和收入进行分类。遗传算法在对目标函数优化时，能以较大的概率搜索到整体最优解，但存在早熟收敛的缺陷。模拟退火算法既能向目标函数优化的方向迭代，又能以一定的概率接受目标函数劣化的情况，进而防止了陷入局部最优点，但当规模变大时，学习时间加剧，收敛速度较慢。 从表 1 中能够看出，在所有的算法中间具有免疫 的 ACO 算法收敛到最优解的运行时间最少，同时搜 索分类效率也是最高的。 将 ACO 与免疫系统（IS）的优点结合在一同， ACO 具有协作搜索空间的能力， 并且防止了在搜索早期的趋同现象， IS 具有在较小的搜索空间内迅速地找到好的解的能力。 5 结束语 本文采用了一种鉴于免疫的蚁群算法，并用于解 决剖析公司最大客户群的问题，以提高公司的利润。 经过实例仿真，考证了免疫蚁群算法比传统的优化算 法在分类方面正确率更高，并在保持分类结果优秀可 解释性的基础上优化了分类规则。