一种基于遗传算法的多重决策树组合分类方法

针对数据挖掘中的分类问题,依据组合分类方法的思想,提出一种基于遗传算法的多重决策树组合分类方法.在这种组合分类方法中,先将概率度量水平的多重决策树并行组合,然后在组合算法中采用遗传算法优化连接权值矩阵.并且采用两组仿真数据对该方法进行测试和评估.实验结果表明,该组合分类方法比单个决策树具有更高的分类精度,并在保持分类结果良好可解释性的基础上优化了分类规则.     

DBMiner数据挖掘平台及其应用

数据挖掘是智能信息处理的重要工具。介绍DBMiner数据挖掘平台的组成和原理，提出了多重知识模型的分层数据挖掘方法。基于综合衡量准则的决策性生成算法改善了生成决策树的结构和分类精度，基于遗传算法的n维空间优化参数的搜索算法。该数据挖掘平台已应用于多个应用领域均取得满意结果，介绍了在多元合金材料预报和家庭远程医疗监护方面的应用。     

一种大规模数据库的组合优化决策树算法

提出了一种适合于大规模高维数据库的组合优化决策树算法。相比于传统的类似算法,该算法从数据的离散化,降维,属性选择三方面进行改进,对决策树建立过程中不适应大规模高维数据库的主要环节进行了优化,有效解决了处理大规模高维数据库问题的效率和精度之间的矛盾。仿真试验表明,该算法在大大减少了计算代价的同时提高了决策树的分类精度。     

粗集在决策树优化中的应用

决策树是一种重要的数据开采方法,但构造最优决策树是一个NP困难问题,分析了以往决策树构造方法的不足,并从决策树最优化的观点详细研究了决策树构造过程中的几个重要问题,为防止决策树过细的分支,引入粗糙集中分辨的概念用于符号值属性的分划,并选择遗传算法优化求解,有关连续属性的处理,也给出了类似符号值属性分化的近似最小离散方法,在测试生成过程中还讨论了事例推理接口,基于上述分析,提出了决策树优化算法,这种算法从树的规模和分类精度都优于许多决策树算法。     

大规模客户车辆调度问题启发式算法研究

为进一步扩大车辆优化调度问题的研究规模,将最佳客户插入原则(PFIH-Push Forward Insertion Heuristic)与遗传算法相结合,解决了以往初始种群中可行解概率低等问题;并实现了以路径首客户编码方式代替传统的全部客户编码,缩短了染色体长度,从而提高了遗传算法优化大规模客户车辆调度问题的效率。将该方法应用于有时间窗车辆调度问题,并采用Solomon数据验证,通过与其它算法结果比较,说明了该方法的可行性与优越性。     

天基预警调度的启发式优化方法

天基预警过程可以看作一种多维离散时间序列监控与预测问题,其调度的决策要素、优化目标和约束条件较多,故往往采用智能优化算法求解该非线性优化问题.而它们在指定时间内却是概率性收敛到Pareto解集.对此,提出基于贝叶斯方法提供多类别决策树挖掘调度中的启发信息,以及引入局部搜索算子等方法提高智能优化算法的快速性和鲁棒性.预警仿真实验表明融入上述方法的免疫克隆选择算法收敛性能提高了10.1%,遗传算法提高了9.8%.     

基于自适应遗传算法的超平面分类及遥感应用

智能分类算法是遥感影像分类研究的热点,遗传算法作为一种智能全局优化技术在遥感影像分类中具有良好应用前景.针对现有多光谱遥感影像分类方法的不足,提出了基于自适应遗传算法的超平面分类方法(hyper plane-adaptive genetic algorithm,HP-AGA)并应用于遥感影像分类,该方法利用神经网络中的神经元激活函数Sigmoid函数,对遗传算法中交叉率、变异率进行非线性自适应性调整,不再需要反复训练遗传参数,同时利用快速全局寻优特点,确定分类超平面的各个位置参数,从而获取最佳分类超平面集进行分类.多光谱遥感影像分类方法的应用实验表明,基于自适应遗传算法的超平面遥感分类方法能更快、更稳定地收敛到全局最优解,具有更好的效率及鲁棒性,并能取得优于简单遗传超平面分类算法及传统分类方法的分类精度.     

随机最优证券投资组合模型

讨论了当投资的预期收益率和风险损失率为随机变量时 ,证券投资组合模型的优化问题 .并分别建立了证券投资组合决策系统的期望值模型及机会约束规划模型 .最后设计了基于随机模拟的遗传算法 ,该方法有效地解决了证券投资组合模型的优化问题.     

一种基于神经网络和决策树相结合的数据分类新方法

提出了一种将神经网络和决策树相结合的数据分类新方法。该方法首先依据属性重要性将属性进行排序,然后通过RBF神经网络进行属性裁减,最后生成决策树,并抽取出规则。与传统的决策树分类方法相比,此方法可依据属性重要性直接生成最小决策树,避免了树的裁减过程,大大加快决策树的生成效率,并进一步提高了规则的预测精度。该方法适用于大规模及高维属性的数据分类问题。     

多重群体遗传算法的特点及应用

建立了多重群体遗传算法模型并成功地用于实际研究工作。多重群体遗传算法采用了标准化的独立的基因／染色体模型及由种群和繁殖群体组成的多重群体模型，并采用了积累方式建立初始种群，求解效率和对不同类型问题的适用性有明显的改善和提高。多重群体遗传算法模型求解优化问题的基本过程分为建立初始种群、适应与进化、进化成熟后的处理等内容。     

集成学习的多分类器动态融合方法研究

AdaBoost集成学习方法中,分类器一经学习成功,其投票权值就已确定,同一分类器对所有待测样本均有相同的投票权值。对于难于分类样本,具有良好分类性能的少数分类器权值却较低。提出适用于集成学习方法的权重自适应调整多分类器集成算法。根据多分类器行为信息,产生待测样本局部分类精度的有效判定区域,基于有效判定区域选择不同的分类器组合,并调整其相应权重,利用样本集上的统计信息来动态指导分类集成判决。实验结果表明,该算法提高了集成分类性能。     

mproving the Input of Classified Neural Networks Through Feature Construction

SOFTWARE,ALGORITHM AND SIMULATION1. Pas~EClassification, as an important program of data mining, is to build a classified function or model that is able tomap the item Of database to one of given classes. The classification algorithm in common use mainly includebayesian, decision trees, mule induction and neural networks [1].The classification algorithm based on decision trees has been in maturity earlier in 1980s', typical of whichis ID3 by J. R. Quinlan [21, it introduced the …     

网上超市拆分订单的合并打包优化决策方法

大型网上超市"一地多仓"和"多地多仓"等仓储布局导致"一单多品型"订单被拆分在不同仓库进行拣选并分多次配送给顾客,这就诱发了"高成本、高污染、高扰民"等影响电子商务绿色健康发展的挑战性难题.被拆分订单在多个仓库间的合并打包是化解这一难题的重要手段.本文从化解问题求解难度入手,以提高拆分订单合并打包方案在线生成的科学性和高效性为目标,综合运用组合优化和状态空间搜索理论,围绕拆分订单是否合并打包,选择哪些仓库打包,哪些商品可以合并打包这三个关键问题提出拆分订单合并打包问题的两阶段在线智能优化决策方法.第一阶段归纳总结决策影响因素,制定判定规则,决策合并打包必要性;第二阶段,采用状态空间搜索算法生成备选的合并打包方案集合,将定性的控制策略转换成控制规则纳入方案生成过程来缩减方案空间.数值实验表明,本文提出的合并打包优化策略可有效降低网上超市拆分订单履行成本,理论成果可为指导网上超市或其它拆单现象显著的B2C电商企业的实际合单作业提供借鉴.     

自组织映射神经网络(SOM)在客户分类中的一种应用

对自组织神经网络在客户分类中的应用进行了探讨 ,讨论了客户分类的概念、指标选取、分类方法选取、SOM(Self Organization Map)聚类方法 ,给出了一种基于 SOM的客户分类方法 ,即 :给出 RFM(近度 ,Recency;频度 ,Frequency;值度 ,Monentary)的指标 ,根据综合指标的计算和各个指标的相对学习结果变化趋势 ,将客户分类 .并进行了模拟计算 ,将模拟结果分类 ,以验证算法 .     

关于偏好信息全序化的加权TOPSIS新方法

针对通过辨识矩阵无法求取偏序集,不能进行后续的偏好信息全序化算法的普遍问题,提出了基于粗糙集的加权TOPSIS偏好信息全序化方法。首先根据属性间差异程度计算各个属性的权值,然后再对信息系统进行加权TOPSIS排序分析。克服了原算法对信息表本身的过严限制,扩大了偏好信息全序化的粗糙集方法的应用范围。最后通过在球团厂中链蓖机-回转窑系统信息表的应用验证了该方法的有效性。     

基于可变精度粗糙集的多决策表分析方法

针对可能存在分类误差缺失信息的群体分类决策问题,提出了一种可以从多个决策表中获取群体分类偏好的可变精度粗糙集方法。该方法通过控制决策者的分类误差率,群体分类一致率及反对率,将多个决策表中符合条件的信息汇集,形成群体分类模式表,然后根据每种分类模式在不同分类误差率和群体一致率下得到支持和反对的频数,得到群体分类模式集合的下近似,即群体分类偏好。给出了应用该方法的具体步骤,算例验证了该方法的有效性。     

Prism系列归纳学习算法综述

模块化分类规则的归纳学习是机器学习领域应用较广的一类算法,已经发展形成了多个分支和派系,其中,Prism系列算法是当前该类学习算法的典型代表之一。Prism系列算法历经近20多年的发展,在多种归纳学习任务中得到了成功应用,目前已经成为决策树归纳算法的主要竞争者。本文在Prism系列算法基本框架的基础上,分别从单机算法和并发算法两个方面对Prism系列算法进行了综述,比较分析了不同算法对于多种分类问题的适应性、优缺点及相互关系,并展望了未来该类算法的发展方向。