基于均值的谱聚类特征向量选择算法

在数据聚类当中,谱聚类是最流行的方法之一,其性能取决于所选取相关图的拉普拉斯(Laplacian)矩阵的特征向量。对于一个K类问题,Ng-Jordan-Weiss(NJW)谱聚类算法通常采用Laplacian矩阵的前K个最大特征值对应的特征向量作为数据的一种表示。然而,对于某些分类问题,这K个特征向量不一定能够很好地体现原始数据的信息。本文提出一种基于均值的谱聚类特征向量选择算法。该算法首先得出图的Laplacian矩阵的前3K个最大特征值的均值,然后选取K个离均值最近的特征值所对应的特征向量。相比传统谱聚类算法,该算法在UCI数据集上获得了较好的聚类性能。

自适应遗传算法在工程训练在线考试中的应用

在工程训练中心车间信息化实现的基础上,针对工程训练管理系统中考试模块现有组卷方式所带来的抽重复题、组卷效率低下等问题,以满足在线考试的实时性要求。为此,给出一种改进的遗传算法,采用分段整数编码,改进初始种群的产生方法,有效提高了算法的收敛速度,并自适应调整遗传算子,在进化过程中增加去重题策略及最优个体保存机制,维护了种群多样性,保证了运算结果的质量。实验结果表明,该算法不但解决了系统组卷原有的问题,在迭代次数、运行时间和组卷精确度上均明显优于随机组卷法和简单遗传算法。