蚁群优化算法在分布式知识管理系统中的应用研究

蚁群优化算法已成功地应用于复杂优化问题的求解,但其在知识管理领域的应用还是一个新的研究课题.本文介绍了一种基于蚁群算法的分布式分类规则挖掘算法,同时对多个场地的训练集挖掘,不仅可以获得较高的分类准确率,而且可以充分发挥分布式处理速度快和节省集成存储空间的优势.最后提出了基于群体智能的分布式知识管理系统的多Agent框架模型,并以学生成绩分析为例简单分析了在分布式知识管理中基于群体智能的分布式数据挖掘的具体应用步骤.     

一种不均衡数据的改进蚁群分类算法

针对蚁群挖掘算法(ant colony mining algorithm,ACMA)中的规则评价函数和规则修剪方法,提出一种改进的蚁群挖掘算法(improved ant colony mining algorithm,IACMA),并将其应用于不均衡数据分类.数值实验采用基准数据库中3种典型的不均衡数据,结果表明,改进...     

基于蚁群算法的分类规则挖掘

在Ant-Miner算法基础上提出了一种利用蚁群算法解决分类规则挖掘的算法(ACR),设计了合理的蚂蚁选择属性及属性分区的概率公式,并对规则质量的衡量等策略进行改进,可以较好地挖掘分类规则.在标准数据集上通过与Ant-Miner算法和经典的基于决策树的C 4.5算法比较,ACR在挖掘分类规则的简单性、正确率上有较好的表现.     

基于Ant-Miner的洪灾风险区划模型及应用

应用蚁群优化算法(Ant Colony Optimization,ACO)进行规则挖掘是一个新的研究热点。为解决指标变量与风险级别间非线性关系,提出一种基于蚁群规则挖掘算法(Ant-Miner)的洪灾风险区划模型。在GIS技术支持下,将该模型应用于北江流域洪灾风险区划实例中,结果表明:1 Ant-Miner模型可挖掘15条适合研究区的洪灾风险分类规则,这些规则以简单的条件语句形式表现,便于生成风险区划图;2 Ant-Miner模型测试精度(95.1%)高于相同条件下BP神经网络模型的精度(92.9%),表明其分类性能更好,对洪灾风险区划具有更好的适用性;3研究区高风险区主要集中于降雨量较大、地势平缓低洼、人口财产密集的地区,与历史洪灾风险情况较吻合,表明所构建的模型科学合理,可为流域洪灾风险评价提供了新思路。     

基于GIS的建设用地集约利用研究

本文根据城市建设用地集约利用的特点,确定影响城市建设开发强度的三因子,利用蚁群算法在GIS空间分类规则挖掘中的应用,得出分类规则,进而对全市建设用地开发强度进行分类,指导城市建设,达到建设用地集约利用的目的。     

基于遗传算法和粗糙集理论的增量式规则获取方法

规则获取的增量式算法是数据挖掘领域的一个热点问题.基于粗糙集理论,从规则获取和优化两方面研究了基于遗传算法的增量式规则挖掘方法,它具有结构简单、搜索效率高、求解速度快等优点.通过研究决策表和决策规则系数,建立基于粗糙集表示和度量的知识,并且将遗传算法和规则挖掘算法相结合,建立了新的优化方法,提出了一种基于遗传算法的增量式规则挖掘的方法.在原有规则集的基础上进行规则和规则参数的增量式更新,避免了为更新规则而重新运行规则获取算法.试验结果表明,执行增量式GA的能够有效地获取最优规则.     

挖掘关联规则的蚁群算法

基于蚂蚁的进化算法已经被广泛地应用于各种组合优化问题。首次结合蚁群算法提出了关联规则的蚁群挖掘算法(RA3)。利用数据集中属性和属性值对应超顶点和子顶点而构成无向图。蚂蚁对在无向图中不断地分别搜索挖掘频繁项集合,从而构成双规则前件、后件,并根据规则质量对双规则加以取舍。提出的算法可以在标准测试集中有效地实现关联规则的提取。与经典的Apriori和FP-growth算法比较,模拟实验证明,本文算法可以较快的挖掘出关联规则,具有较好的规则质量。     

一种自适应蚁群分类算法

将分类学习看作是一个找出最优分类规则的优化问题,提出一种自适应蚁群分类算法——AdaptiveL_AMP,以得到一组可理解的分类规则.在基于规则的分类方法中,规则评价函数的选取至关重要,本文提出的算法能够针对不同数据集自动选取与之相适应的规则评价函数以提高分类准确性.此外,为进一步提高算法的分类准确率,设计了一种局部搜索策略并将其融入到AdaptiveL_AMP算法中.最后对算法进行了分析,并在多个公用的真实数据集上与相关算法进行了比较,结果表明AdaptiveL_AMP算法能够更加有效地解决分类问题.     

蚁群算法及其在求解优化问题中的应用

蚁群算法是近几年优化领域中新出现的一种启发式仿生类算法。作为一种新的群体智能启发式优化算法,主要用于求解组合优化问题。本文介绍了蚁群算法的发展历史,然后介绍了其在求解组合优化问题中的应用情况,最后对蚁群算法在今后的研究方向作了展望。     

一种混合蚁群算法在JSP问题中的应用研究

作业车间调度问题（JSP）是最困难的组合优化问题之一,也是目前管理科学领域的热点研究问题。针对JSP问题,利用回溯相邻交换方法对传统的蚁群优化算法进行改进,同时对蚁群优化算法中的全局信息素更新规则进行调整,求解生产周期最小的排程方案。最后通过仿真实验,验证了该算法的有效性。     

时序电路SACO和PSO混合算法的测试矢量生成

提出了一种新的测试矢量生成算法，其使用SCOAP测度对蚁群算法进行参数调整，并在粒子群算法的框架下进行测试矢量生成，再使用调整后的蚁群算法进行测试矢量优化。该算法不仅克服了粒子群算法的容易陷入局部最优等缺点，而且利用电路本身的特性来确定蚁群算法的参数。以国际标准电路为例，实验验证本文的算法，结果表明本算法应用于时序电路的测试矢量生成时，相对于粒子群算法提高了其收敛性，提高了故障覆盖率；相对于蚁群算法压缩了测试矢量集，减少了测试诊断时间。     

基于粗集的邮件自动分类系统研究

电子邮件给人们带来极大便利的同时,垃圾邮件的日益泛滥,也给人们带来了极大的不便和危害。本文使用基于粗集最优属性约简方法对邮件集进行特征维数压缩,在不影响条件属性分类能力的情况下,利用粗糙集约简化简决策表,得到一个规则,利用规则可以对新加入的邮件进行自动分类,试验结果表明该方法是行之有效的。     

基于蚁群神经网络的泵车主泵轴承性能评估

针对BP神经网络、遗传神经网络等智能算法在机械设备关键部件的性能评估过程中训练收敛速度慢,且会遇到局部极小的问题,提出一种运用蚁群算法训练神经网络的权值和阈值的混合智能算法--蚁群神经网络.将蚁群神经网络应用于混凝土泵车主泵系统中主泵轴承的模式识别和性能评估.结果表明,蚁群神经网络能很好地解决收敛速度慢、局部极小的问题,提高了分类精度,展现了良好的应用前景.     

面向属性的粗集数据挖掘方法研究

指出粗集理论的主要思想是在保持分类能力不变的情况下,利用等价类,通过属性约简和决策规则约简,达到挖掘知识并简化知识的目的.但约简问题是一个NP问题,只能通过启发式算法实现.针对这一问题,提出了属性约简和决策规则约简的启发式算法,构成了一个基于粗集理论的挖掘集成算法.最后通过实例表明,该集成算法能够以较高的效率发现良好的分类规则.     

融合遗传算法改进的蚁群算法

针对蚁群算法存在停滞现象及收敛速度慢的缺点,提出了一种融合遗传算法改进的蚁群算法,在蚁群算法中引入路径遗传运算.对蚂蚁发现的路径进行染色体编码,通过适应度函数对蚂蚁的路径做适应度评价,进行路径交叉和路径变异运算,设计了新的信息素更新策略.以对称TSP测试集为对象,将改进算法与现有算法进行测试比较.实验结果表明,改进后的算法具有优良的全局优化能力,有效防止了停滞现象.     

A classifier based on rough set and relevance vector machine for disease diagnosis

A new intelligent method for disease diagnosis based on rough set theory (RST) and the relevance vector machine (RVM) for classification is presented as the rough relevance vector machine (RRVM). The RRVM mixes rough set’s strong rule extraction ability with the excellent classification ability of the relevance vector machine through preprocessing initial information, reducing data, and training the relevance vector machine. Compared with traditional intelligence methods such as neural network (NN), support vector machine (SVM), and relevance vector machine (RVM), this method manages to identify disease samples objectively and effectively with less transcendental information. Biography: LI Dingfang (1965–), male, Professor, Ph. D., research direction: computational learning theory, computing in science and engineering.     

基于自适应蚁群算法的分布式分类规则挖掘算法

基于分布式数据挖掘技术,提出了一种基于自适应蚁群算法的分布式分类规则算法。该算法采用了不同的启发式函数及信息素改变方法,引入了自适应机制与变异策略,从而达到缩短蚁群算法计算时间、加快算法收敛速度、提高预测准确率的目的。实验结果验证了该算法的有效性。     

Data Mining Based on Computational Intelligence

This paper combines computational intelligence tools: neural network, fuzzy logic, and genetic algorithm to develop a data mining architecture (NFGDM). which discovers patterns and represents them in understandable forms. In the NFGDM. input data are preprocessed by fuzzification, the preprocessed data of input variables are then used to train a radial Basis probabilistic neural network to classify the dataset according to the classes considered. A rule extraction technique is then applied in order to extract explicit knowledge from the trained neural networks and represent it in the form of fuzzy if-then rules. In the final stage, genetic algorithm is used as a rule-pruning module to eliminate those weak rules that are still in the rule bases. Comparison with some known neural network classifier, the architecture has fast learning speed, and it is characterized hy the incorporation of the possibillty information into the consequents of classification rules in human understandable forms. The experiments show that the NFGDM is more efficient and more robust than traditional decision tree method.     

基于可变精度粗糙集模型的有导师机器学习

机器学习是人工智能领域中重要的研究课题,基于经典粗糙集的机器学习,只有学习者的分类被完全包含在导师的分类中时,才形成决策规则,条件比较苛刻;而基于可变精度粗糙集理论的有导师机器学习,根据学习者的分类包含在导师的分类中的包含度αi,与事先给定的精度系数β的比较,来求取具有一定相容性的决策规则,该方法更具有灵活和实用性。