32、解决复杂问题的创新算法：LLLC与改进反向传播算法

解决复杂问题的创新算法：LLLC与改进反向传播算法

在处理复杂问题时，我们常常需要寻找有效的方法来识别变量之间的关联以及解决数据不平衡问题。本文将介绍两种创新的算法：基于局部最优的无监督链接学习器（LLLC）和用于处理神经网络中严重两类不平衡问题的改进反向传播算法。

基于局部最优的无监督链接学习器（LLLC）

LLLC算法的核心思想是利用局部最优来识别多元依赖关系。在“可加分离问题”中，局部最优具有独特的特征。全局最优意味着所有构建块都被识别出来，而局部最优解中并非所有构建块都能被找到。

局部最优的特点

以12位trap3函数为例，它有一个全局最优解11111111111和15个局部最优解。当每个陷阱分区对应的位相等，但至少有一个陷阱分区的所有位的值为0时，这些字符串就是局部最优解。通过比较不同的局部最优解，我们可以找到链接组。例如，比较第一个局部解和第五个局部解可以帮助我们找到第二个链接组，比较第三个局部解和第四个局部解可以帮助我们找到第一个链接组。

LLLC算法步骤

LLLC算法主要分为搜索和分析两个阶段：
1. 搜索阶段 ：
- 随机初始化K个动态爬山算法（DHC），并让它们搜索具有长度为（Xs）的变量景观。
- 当每个DHC找到景观中的峰值且无法移动时，将该局部最优解保存到名为HighModals的集合中。
- 如果满足退出搜索条件（p - -exit - -search < (sp)），则进入分析阶段；否则，继续搜索。
2. 分析阶段 ：
- 生成一个新的定义数据