[发明专利]一种归一化PSO随机优化算法及协同过滤推荐方法

摘要

本发明公开了一种归一化粒子群随机优化算法(PSO)以及6种归一化加权协同过滤推荐方法。本发明公开的归一化PSO随机优化算法通过吸引子和空间缩放，确定单个粒子的最优位置和群体的最优位置。用于求解最优化问题时，其解满足归一化约束，吸引子是算法的稳定点，算法在围绕该点做螺旋运动，故使用吸引子作为缩放中心使得算法避免粒子越界和早熟的缺点，更容易寻找到全局最优点。本发明公开的6种归一化加权协同过滤推荐方法通过对用户或项目进行归一化加权，并以平均绝对误差(MAE)最小为优化目标和适应度函数，使用归一化PSO随机优化算法求解用户和项目的最优归一化权值，从而达到减少预测评分误差，提高预测评分精度的目的。

主权项

一种归一化PSO随机优化算法，其特征在于，所述归一化PSO随机优化算法包括：步骤11：初始化Z个粒子的群体，使得每个粒子初始化为H维，迭代次数T；选取一个粒子对所述粒子的每一维上都赋值为1/H，剩下的粒子的每一维均在(0,1)之间随机赋值；步骤12：计算每个粒子的当前位置的适应度以确定每个粒子z的历史最优位置及群体历史最优位置其中，z表示粒子序号，z＝1,2,…,Z；h表示维度序号，h＝1,2,…,H；t表示迭代次数，t＝1,2,…,T；表示第z个粒子在第t次迭代的当前位置；步骤13：根据以下公式更新粒子的速度和位置；其中，表示第t次迭代的粒子z的速度，表示第t+1次迭代的粒子z的速度，表示第t次迭代后的粒子z的位置，表示第t+1次迭代后粒子z的位置，ω表示惯性权值，γ₁、γ₂为[0,1]之间的随机数，且两者之间相互独立，η₁、η₂为加速因子；步骤14：计算判断是否满足以下判断条件：其中，x_zh表示第z个粒子的位置在第h维上的分量；若满足执行步骤15，否则对粒子做以下处理以满足所述判断条件：若不满足则令并更新其中若粒子不满足则令并更新步骤15：根据以下公式确定吸引子并以吸引子为缩放中心，以为缩放因子对粒子进行缩放：其中，α₁、α₂和α₃为随机数，且α₁∈(0.5,1.5)、α₂∈(‑0.5,1.5)、α₃∈(0,1)；步骤16：根据缩放结果判断是否找到单个粒子的最优位置和群体的最优位置或者迭代次数t＞T，如果是则根据所述群体的最优位置确定所述群体的权值；否则执行步骤12。