進化算法及智能數(shù)據(jù)挖掘若干問題研究.pdf

1、自然界一直是人類創(chuàng)造力的豐富源泉,人類認識事物的能力來源于自然界的相互作用之中,自然界的許多自適應(yīng)優(yōu)化現(xiàn)象不斷給人類以啟示。智能算法是人們受自然規(guī)律或生物界規(guī)律的啟迪,根據(jù)其原理,模仿某些規(guī)律而設(shè)計的求解實際問題的一類算法。它將復(fù)雜任務(wù)交給群體中大量的個體合作完成,具有概念簡單、實現(xiàn)方便的特點。由于智能算法具有的分布性、簡單性、靈活性和健壯性,已在計算機科學(xué)、知識發(fā)現(xiàn)、通信網(wǎng)絡(luò)、機器人等研究領(lǐng)域廣泛應(yīng)用,成為一個研究熱點。近幾十年來,一

2、些與經(jīng)典的數(shù)學(xué)規(guī)劃原理截然不同的,試圖通過模擬自然生態(tài)系統(tǒng)機制以求解復(fù)雜優(yōu)化問題的仿生智能優(yōu)化算法相繼被提出和研究。如模擬退火算法、遺傳算法、人工神經(jīng)網(wǎng)絡(luò)技術(shù)、人工免疫算法和群智能算法等。這些算法大大豐富了現(xiàn)代優(yōu)化技術(shù),也為那些傳統(tǒng)優(yōu)化技術(shù)難以處理的優(yōu)化問題提供了切實可行的解決方案。
　　數(shù)據(jù)挖掘是從存貯在數(shù)據(jù)庫、數(shù)據(jù)倉庫或其它信息倉庫中的,大量的、不完全的、有噪聲的、模糊的、隨機的數(shù)據(jù)中,提取隱含在其中的、人們事先不知道的、但又

3、是潛在有用的信息和知識的過程。數(shù)據(jù)挖掘最常用的技術(shù)有關(guān)聯(lián)規(guī)則、序列模式分析、分類分析和聚類分析等。這些技術(shù)很多都涉及到優(yōu)化問題,完全可以用智能優(yōu)化算法來解決和處理。
　　如何將數(shù)據(jù)挖掘技術(shù)和智能算法結(jié)合起來,使數(shù)據(jù)挖掘技術(shù)可以為智能算法服務(wù),或者智能算法可以用到數(shù)據(jù)挖掘中,這無疑是一個很有意義的問題。如果這兩種技術(shù)或算法能夠成功的結(jié)合,消除各自的缺點和不足,充分利用彼此的優(yōu)點,這是百利而無一害的事。同時,將對大規(guī)模數(shù)據(jù)的數(shù)據(jù)挖掘?qū)?/p>

4、指出一條行之有效的方法,也是對智能算法很好地、新穎獨特地探索。本文的主要工作如下:
　　1.在并行粒子群算法中,引入圍繞中心點的劃分 PAM(Partitioning Around Medoid)聚類技術(shù)來劃分整個種群為幾個相互不重疊的子種群。通過聚類,相同子種群的粒子相對集中,從而它們能夠較容易地相互學(xué)習(xí)。這使得有限的時間能夠花費在最有效的搜索上,以便提高算法的搜索效率。為了均勻地探測整個解空間,引入均勻設(shè)計來產(chǎn)生初始種群,使種

5、群中的種群成員或個體均勻地分散在可行解空間中。進化過程中,使用均勻設(shè)計產(chǎn)生的較好個體替換種群中的較差個體,已達到優(yōu)勝劣汰的目的。
　　2.在多目標(biāo)粒子群優(yōu)化算法中,為了維持或增加種群的多樣性,幫助算法跳出局部最優(yōu),分別引入PAM聚類算法和均勻設(shè)計來產(chǎn)生和選擇Pareto最優(yōu)解。提出了一個新的基于PAM和均勻設(shè)計的多目標(biāo)粒子群優(yōu)化算法。
　　3.在關(guān)聯(lián)規(guī)則挖掘中,評價關(guān)聯(lián)規(guī)則需要重復(fù)掃描數(shù)據(jù)庫來比較數(shù)據(jù)庫中的每個記錄與規(guī)則的前

6、件,后件和整個規(guī)則。為了減少比較的次數(shù)和時間消耗,提出了屬性索引策略。它只需要掃描數(shù)據(jù)庫一次就能創(chuàng)建每一個屬性的屬性索引,然后所有評價關(guān)聯(lián)規(guī)則的度量值不再需要掃描數(shù)據(jù)庫,而僅僅通過屬性索引就能得到這些值。關(guān)聯(lián)規(guī)則挖掘被看作多目標(biāo)而不是單目標(biāo)問題,為了在目標(biāo)空間中獲得均勻分散在Pareto前沿的解,精英策略和均勻設(shè)計被引入。本文提出基于屬性索引和均勻設(shè)計的多目標(biāo)演化規(guī)則挖掘,它不再要求用戶指定最小支持度和最小置信度,而僅僅使用屬性索引。它

7、設(shè)計了新的實屬編碼,以便擴展它的應(yīng)用范圍。
　　4.使用幾個評價指標(biāo),成功率、成功數(shù)和完全成功率來度量聚類算法的性能或有效性。為了正確地獲取它們,提出了兩個新的類別分配算法,一個能夠最大化幾個評價指標(biāo);另一個能夠確保每個簇至少包含一個矢量數(shù)據(jù)。為了驗證它們的有效性,應(yīng)用它們來評價幾個聚類算法的性能。
　　5.為了克服粒子群PSO(Particle Swarm Optimization)算法的早熟收斂,引入動態(tài)交叉到PSO中,