基于群體智能聚類研究及其在股市板塊分析中的應(yīng)用.pdf

1、大數(shù)據(jù)時(shí)代背景下，股票市場(chǎng)產(chǎn)生的數(shù)據(jù)越來越多，傳統(tǒng)分析方法已很難滿足現(xiàn)代對(duì)股市板塊分析的需求，如何從海量股票數(shù)據(jù)中挖掘出有用信息，并對(duì)股市板塊進(jìn)行分析和預(yù)測(cè)成為了一個(gè)重要的研究課題。數(shù)據(jù)挖掘作為一種新的數(shù)據(jù)技術(shù)在此環(huán)境背景下迅速發(fā)展，為開發(fā)數(shù)據(jù)信息資源做出重大貢獻(xiàn)。聚類是一種無監(jiān)督學(xué)習(xí)的數(shù)據(jù)挖掘技術(shù)，可以充分地分析數(shù)據(jù)內(nèi)部特征和數(shù)據(jù)間的聯(lián)系。通過形成的多個(gè)簇，挖掘出數(shù)據(jù)之間潛在的聯(lián)系與特征，避免直面龐大的數(shù)據(jù)集。
　　群體智能算法

2、是一種演化計(jì)算技術(shù)，具有實(shí)現(xiàn)簡(jiǎn)單、收斂速度快、全局收斂性優(yōu)等優(yōu)點(diǎn)，已受到越來越多國內(nèi)外專家和學(xué)者的關(guān)注。群體智能優(yōu)化算法是人工智能的一個(gè)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(gè)體之間的信息傳遞和合作實(shí)現(xiàn)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(shè)置參數(shù)少，已經(jīng)廣泛應(yīng)用到多個(gè)領(lǐng)域。但是FOA仍然存在

3、不足：FOA在處理復(fù)雜函數(shù)問題時(shí)，收斂速度減慢，且收斂精度降低。針對(duì)此問題提出一種實(shí)時(shí)學(xué)習(xí)的果蠅優(yōu)化算法（A Real-Time Learning Fruit Fly Optimization Algorithm,RTLFOA）。RTLFOA通過實(shí)時(shí)的獲取種群知識(shí)，在種群陷入早熟時(shí)，通過獲取的種群經(jīng)驗(yàn)引導(dǎo)果蠅群體進(jìn)行不同尺度的變異。變異后，味道濃度較差位置處的果蠅個(gè)體進(jìn)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(gè)體進(jìn)一步對(duì)

4、局部區(qū)域進(jìn)行搜索，提高收斂精度。通過比較 RTLFOA與其它算法對(duì)基準(zhǔn)函數(shù)收斂性的測(cè)試結(jié)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(xué)習(xí)的聚類算法，不必指定聚類數(shù)目且處理大規(guī)模數(shù)據(jù)集具有較好的聚類結(jié)果。但是AP聚類算法的偏向參數(shù)設(shè)置難度大。
　?。?）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(diǎn)相同距離處的果蠅同時(shí)移動(dòng)，避免了無效移動(dòng)，提高算法的搜索效率。
　?。?）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(nèi)對(duì)偏向參數(shù)進(jìn)行尋優(yōu)，并