针对第三代非支配排序遗传算法（non-dominated sorting genetic algorithm-Ⅲ，NSGA-Ⅲ）在处理高维多目标函数时存在收敛精度低和搜索性能差等问题，提出一种自适应多种群NSGA-Ⅲ算法。首先将传统算法的单一种群划分成四个亚种群，并为每个亚种群分配不同的交叉算子；其次提出外部最优解集（external optimal solution set，EXS）的概念，通过计算个体更新最优解集的参与量来自适应调节每个亚种群的大小；最后利用局部搜索策略提高EXS的局部搜索性能。采用四个不同的测试函数，与七种对比算法进行仿真验证，结果表明在处理高维多目标优化问题时，提出算法的性能指标整体优于其他对比算法，能够获得较好的算法收敛性和种群多样性。

高维数据聚类 (HDDC) 工具箱包含用于高维数据的高效无监督分类器。 该分类器基于适用于高维数据的高斯模型。 参考：C. Bouveyron、S. Girard 和 C. Schmid，高维数据聚类、计算统计和数据分析，2007 年

克里金算法C++版本，解决高维插值问题

面向高维小样本数据的分类特征选择算法研究.pdf

高维数据子空间聚类算法研究.pdf

高维海量数据集离群点挖掘算法研究及其应用.pdf

热熔器 融合套索，可对各组进行高维回归。 该软件包实现了描述的模型 。 安装 library( ' devtools ' ) install_github( ' FrankD/fuser ' ) 例子 另请参阅随附的插图。 library( fuser ) set.seed( 123 ) # Generate simple heterogeneous dataset k = 4 # number of groups p = 100 # number of covariates n.group = 15 # number of samples per group sigma = 0.05 # observation noise sd groups = rep( 1 : k , each = n.group ) # group indicators # sparse linear coeff

人工智人-家居设计-高维数据可视化研究及在商业智能中的应用.pdf

T-SNE可视化高维数据

高维多目标优化问题一般指目标个数为4个 或以上时的多目标优化问题.由于种群中非支配解数量随着目标数量的增加而急剧增多,导致进化算法的进化压力严重降低,求解效率低.针对该问题,提出一种基于粒子群的高维多目标问题求解方法,在目标空间中引入一系列的参考点,根据参考点筛选出能兼顾多样性和收敛性的非支配解作为粒子的全局最优,以增大选择压力.同时,提出了基于参考点的外部档案维护策略,以保持最后所得解集的多样性.在标准测试函数DTLZ2上的仿真结果表明,所提方法在求解高维多目标问题时能够得到收敛性和分布性都较好的解集.