基于遗传算法投影寻踪模型的智能制造能力评价—以中国31个省市区数据为例
作者：陈钢 薛莉 张彬 2021-09-15 14:37 新传播 【字号：大 中 小】
采用实码的加速遗传算法投影寻踪（RAGA-PP）模型，实现线性投影降维，构建了智能制造能力评价指标体系。本文选取2018年我国31个省级行政区的多指标截面数据，根据线性投影值进行层次聚类，在此基础上分区域对我国省域智能制造能力进行分析，提出了推动我设各指标值的样本集为
步骤三：优化投影指标函数。
当样本集给定时，投影指标函数
只随着投影方向a的变化而变化，可以通过求解投影指标函数最大化问题来估计最佳投影方向，即：
步骤四：计算智能制造能力。
把由Step3求得的最佳投影方向
代入公式（1.3）后可得各样本投影值
，采用以下换算方法对投影值进行处理：
为处理后的最终得分数据，有
∈（0，100]。
2.基于实码的加速遗传算法（RAGA）
投影寻踪模型中的公式（1.6）和公式（1.7）是一个复杂的非线性优化问题，本文采用基于实数编码的加速遗传算法（Real coding based Accelerating Genetic Algorithm，简称RAGA）进行求解。传统的遗传算法（Genetic Algorithm，简称GA）由美国密歇根大学Holland教授于1962年提出，通过模拟生物的自然选择和群体遗传机制，形成的一种自适应全局优化概率搜索算法，可以有效地解决较复杂的非线性组合问题以及多目标函数优化问题， RAGA在GA的基础上进行了改进，其主要步骤如下：
步骤一：挑选一定数量的个体形成初始种群，并设置优秀个体数量；
步骤二：计算种群内各个体的目标函数值，设置迭代次数，开始循环；
步骤三：计算选择函数的值，通过概率的形式从种群中选择若干个体；
步骤四：通过染色体个体基因复制、交叉、变异等创造新个体，形成新种群；
步骤五：进行循环，若终止条件不满足，则转到Step3继续进化；
步骤六：加速寻优。
c4d032d1-1359-488d-9493-075c1cede8f9.jpg)