基于群體智能聚類研究及其在股市板塊分析中的應用.pdf

1、大數據時代背景下，股票市場產生的數據越來越多，傳統(tǒng)分析方法已很難滿足現代對股市板塊分析的需求，如何從海量股票數據中挖掘出有用信息，并對股市板塊進行分析和預測成為了一個重要的研究課題。數據挖掘作為一種新的數據技術在此環(huán)境背景下迅速發(fā)展，為開發(fā)數據信息資源做出重大貢獻。聚類是一種無監(jiān)督學習的數據挖掘技術，可以充分地分析數據內部特征和數據間的聯(lián)系。通過形成的多個簇，挖掘出數據之間潛在的聯(lián)系與特征，避免直面龐大的數據集。
　　群體智能算法

2、是一種演化計算技術，具有實現簡單、收斂速度快、全局收斂性優(yōu)等優(yōu)點，已受到越來越多國內外專家和學者的關注。群體智能優(yōu)化算法是人工智能的一個重要分支，與人工生命聯(lián)系緊密。通過模擬自然界生物群體的各種行為，利用個體之間的信息傳遞和合作實現尋優(yōu)的目的。
　　果蠅優(yōu)化算法(Fruit Fly Optimization Algorithm,FOA)是群體智能優(yōu)化算法的一種，因其尋優(yōu)精度高且設置參數少，已經廣泛應用到多個領域。但是FOA仍然存在

3、不足：FOA在處理復雜函數問題時，收斂速度減慢，且收斂精度降低。針對此問題提出一種實時學習的果蠅優(yōu)化算法（A Real-Time Learning Fruit Fly Optimization Algorithm,RTLFOA）。RTLFOA通過實時的獲取種群知識，在種群陷入早熟時，通過獲取的種群經驗引導果蠅群體進行不同尺度的變異。變異后，味道濃度較差位置處的果蠅個體進行全局搜索，提高算法的收斂速度；味道濃度較優(yōu)位置處的果蠅個體進一步對

4、局部區(qū)域進行搜索，提高收斂精度。通過比較 RTLFOA與其它算法對基準函數收斂性的測試結果，證明了RTLFOA有效的提高了收斂速度和收斂精度。
　　近鄰傳播聚類算法（Affinity Propagation,AP）是一種無監(jiān)督學習的聚類算法，不必指定聚類數目且處理大規(guī)模數據集具有較好的聚類結果。但是AP聚類算法的偏向參數設置難度大。
　　（1）基于群體智能優(yōu)化算法的全局搜索能力，首先提出基于差異化距離的果蠅優(yōu)化算法（Frui

5、t Fly Optimization Algorithm based on Differential Distance,FOADD）。FOADD算法使距離原點相同距離處的果蠅同時移動，避免了無效移動，提高算法的搜索效率。
　　（2）基于FOADD的快速搜索能力，提出基于差異化距離果蠅優(yōu)化的近鄰傳播聚類算法（Affinity Propagation based on FOADD,AP-FOADD）。在搜索空間內對偏向參數進行尋優(yōu)，并