基于改进遗传算法的计算机数学模型构建研究

面向网络计算机中海量的数据信息,采取传统匹配搜索遗传算法进行匹配点、非匹配点的遍历,通常遍历到无效度更高的非匹配点较多,很难在短时间内找到与样本相近的最佳匹配点。基于此,针对基本遗传算法的无效遍历、数据冗余弊端,结合最小二乘法、Bagging集成聚类算法对原有遗传算法作出改进,建立起相似度匹配的计算机数学模型,确定高精度因子匹配的参数估算范围和辨识度,改进遗传算法关联矩阵编码、解码、交叉等集成学习与迭代环节,以扩展样本匹配的搜索空间与深度。

基于云计算的大数据聚类挖掘算法研究

基于云计算的大数据聚类挖掘,需要结合改进粒子群算法、k-means算法的优势,提出基于改进粒子群优化(Particle Swarm Optimization,PSO)的k-means聚类算法,设置自调节惯性权重、云变异算子,根据数据集种群的进化程度,调整粒子群算法的全局搜索、局部搜索能力,追踪数据粒子的个体极值、全局极值,更新每个数据个体在解空间中的点位置、更新速度,并在数据种群进化到一定程度时进行变异操作,选择全局极值作为期望Ex来控制种群迭代次数,避免数据挖掘陷入早熟收敛、局部最优解的情况。