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.     

基于遗传算法和信息熵的文本分类规则抽取方法研究

针对数据挖掘中的文本分类问题,提出了一种基于遗传算法和信息熵的文本分类规则抽取算法Genet-ic-Miner(简称GM),该算法的目标是在数据集中发现分类规则。首先利用信息熵生成初始种群,然后利用优化的遗传算法抽取相应规则。采用六个标准的公共领域的数据集比较了GM与其它两个非常著名的同类算法Ant-Miner和CN2,实验结果表明,无论是预测准确性和规则的简单性,GM都明显优于Ant-Miner和CN2,并且该算法能大大提高对知识的理解力。     

一种工业酶非分类关系抽取仿真研究

研究工业酶非分类关系抽取问题.针对传统关联规则抽取非分类关系时存在效率低、收敛速度慢及漏报规则等问题,提出了一种基于小生境技术的萤火虫算法.该算法利用小生境技术的融合、演化算法丰富种群的多样性,结合萤火虫算法寻优速度快的优势抽取非分类关系,解决了局部最优、规则冗余问题.针对工业酶语料进行了验证性实验,实验结果表明,相对于传统的关联规则挖掘算法,该方法在个体多样性及提取有效规则的效率上都有较大的提高,挖掘结果对工业酶非分类关系抽取具有一定的参考价值.     

全局混沌蝙蝠优化算法

为提高蝙蝠算法进行特征选择的正确率,提出全局混沌蝙蝠优化算法(GCBA).首先,GCBA采用混沌映射方法使种群的初始化能够遍历整个解空间,获取蝙蝠初始的最优位置,使其具有更加丰富的种群,解决了初始化种群随机性的问题.同时,GCBA引入当前粒子的最优解和当前种群的最优解跳出局部最优解,可有效避免算法早熟,有利于提高算法的全局搜索能力.蝙蝠算法(BA)、粒子群算法(PSO)与遗传算法(GA)在10个数据集上的测试结果表明,所提算法具有更高的分类精度和更强的跳出局部最优的能力.     

改进遗传算法求解文化旅游线路规划问题

针对旅游线路规划问题的非确定性多项式难题(nondeterministic polynomially problem,NP)特性,顾及文化旅游景点文化内涵的多样性,提出了一种可有效保持种群多样性的遗传算法以求解旅游线路规划问题.为了解决传统遗传算法的局部最优问题,改进的算法利用Jaccard系数产生初始种群以提升种群质...     

基于聚类划分子种群的多种群遗传算法

标准遗传算法存在易于早熟,容易陷入局部最优的缺点,同时标准多种群遗传算法存在进化后期种群同质化严重的缺陷。针对这一问题,将聚类思想引入到多种群遗传算法的子种群划分中,提出了一种使用聚类方式划分子种群的多种群遗传算法,使得种群划分不再只是单纯的随机行为,而是将满足约束条件的个体根据其特征划分到不同子种群中,从而解决种群同质化问题,避免所有子种群陷入局部最优。最后,通过测试两个典型函数,验证了该算法的有效性,为多种群遗传算法提供了一种新的研究方向。     

基于病毒侵染和逆转操作的改进遗传算法

针对传统遗传算法解决TSP问题,提出了加入病毒种群来感染初始种群,并将种群分为父代和子代种群实现逆转操作的改进遗传算法。加入病毒种群来感染初始种群加快了遗传算法的收敛速度,通过逆转操作使算法更容易跳过局部最优解,避免遗传算法在大规模问题中易陷入局部最优解的问题。以两组实验来对比改进算法性能与传统算法性能的差别,结果表明改进算法的执行效率和执行结果明显优于传统遗传算法。最后利用改进后的遗传算法遍历中国34座省会城市的最优路线,验证了该算法的准确性和优越性。     

格雷码混合加速遗传算法及其性能分析

通过在格雷码遗传算法进化过程中加入单纯形法学习算子,并利用格雷码遗传算法和单纯形法所得到的优秀个体群,作为变量新的变化范围,逐步缩小搜索空间,自动向最优解收缩,提出了求解非线性规划问题全局解的一种快速算法--格雷码混合加速遗传算法(GHAGA).为了在可行域内能得到全局最优解,在参数的定义域内投放了大量的均匀随机初始点作为初始群体.给出了GHAGA算法实施的详细步骤,建立了GHAGA相应的收敛定理,并分析了该算法的全局优化性能.理论分析和数值模拟表明,GHAGA具有精度高、收敛速度快的特点,是一种既可以较大概率搜索全局最优解,又能进行局部细致搜索的较好的非线性规划方法.     

一种新的决策树组合优化算法

数据分类是数据挖掘中的一个重要课题,研究各种高效的分类算法是数据挖掘的重要问题之一.本文对了GAAA算法进行改进提出了一种新组合优化算法,将其应用到分类规则的优化问题,采用遗传算法生成信息素分布,利用蚂蚁算法求精确解,优势互补,有效地节省了计算时间,并优化了生成的分类规则.实验结果表明:该算法可以有效克服停滞,提高搜索效率,有效地挖掘出最优的分类规则集.     

一种改进的朴素贝叶斯分类器在文本分类中的应用研究

文本分类是数据挖掘领域中重要的研究分支.通过对自适应遗传算法和朴素贝叶斯分类器的研究,提出一种基于自适应遗传算法的朴素贝叶斯分类算法.将该算法应用于中文文本分类中,可以生成最优贝叶斯分类器及最优属性集合,提高分类精度.     

一种基于粗糙集和遗传神经网络的数据分类器模型

为了实现对无线传感器网络监测得到的高维冗余且不确定的数据进行分类识别,提出一种由遗传算法和粗糙集进行优化的BP神经网络数据分类器模型,并形成了数据挖掘分类算法。该模型通过粗糙集理论的属性约简算法删除训练样本的冗余属性,利用遗传算法对神经网络的权值和阈值进行优化,并进行神经网络学习。数据挖掘分类算法学习速度快,能够有效提高无线传感器网络中数据的分类效率。     

一种基于遗传算法的分类方法

数据挖据的目的是从数据库中获取知识。本文针对挖据目的,提出了一种基于遗传算法的分类方法,并应用于实例,得到了很好的结果。     

一种基于遗传算法的知识规则挖掘算法

论述了遗传算法在数据挖掘中的一类知识分类应用,并给出了基于遗传算法的知识规则挖掘算法的基本思想和关键问题,包括知识规则表示,适应度函数定义等.通过实例证明了该算法的有效性.     

一种基于遗传算法的分类规则挖掘算法

对遗传算法应用于分类规则挖掘问题进行研究,提出一种基于遗传算法和Apriori算法的混合分类规则挖掘算法,该算法的具体方案包括分类规则编码、适应度函数定义以及对进化后的规则的约简方法,最后通过实例仿真证明了该算法的有效性。     

遗传算法在数据挖掘中的应用

讨论了遗传算法的基本思想、优点以及在数据挖掘方面的应用,并以乳腺癌统计数据为例,提出了一种基于小生境遗传算法的分类规则数据挖掘算法.     

基于增量式遗传算法的粗糙集分类规则挖掘

从规则获取和优化两个方面研究了基于遗传算法(GA)的增量式粗糙集分类规则挖掘方法．通过研究决策表和决策规则系数，建立了基于粗糙集表示和度量的知识理论，将GA和粗糙集分类规则挖掘算法相结合，在保持原有知识完备的前提下，利用GA对以增量形式获得的分类规则进行优化，获取最优分类规则．试验结果表明，执行增量式GA所需时间较执行一般GA所需时间要少，可有效完成分类规则优化的任务，同时还可提高分类的精度，使分类结果具有更好的可理解性．     

基于模糊C-Means的改进型KNN分类算法

KNN算法是一种思想简单且容易实现的分类算法,但在训练集较大以及特征属性较多时候,其效率低、时间开销大.针对这一问题,论文提出了基于模糊C-means的改进型KNN分类算法,该算法在传统的KNN分类算法基础上引入了模糊C-means理论,通过对样本数据进行聚类处理,用形成的子簇代替该子簇所有的样本集,以减少训练集的数量,从而减少KNN分类过程的工作量、提高分类效率,使KNN算法更好地应用于数据挖掘.通过理论分析和实验结果表明,论文所提算法在面对较大数据时能有效提高算法的效率和精确性,满足处理数据的需求.     

基于分类树的高效关联规则挖掘算法

在分析类Apriori算法存在效率瓶颈的基础上，提出了一个高效改进算法——基于分类树的关联规则挖掘算法．该算法只需要两次访问数据库，把数据库中的数据利用分类树来存储，减少了访问数据库的次数；并且由分类树的全部或部分来求得频繁项目集，减少了求频繁项目集的比较次数．此算法通过结合Apriori和FP—tree两种算法来提高挖掘效率，降低了挖掘算法的时间复杂度和空间复杂度．通过多次试验证明该算法比Apriori及其改良算法的挖掘效率高2到8倍．     

一种基于条件熵的粗糙集属性约简算法

粗糙集(Rough set)理论是一个新的数据挖掘方法，其主要思想是保持分类能力不变的情况下，通过属性约简，达到发掘知识并简化知识的目的。本文在理解和分析基于粗糙集理论的数据挖掘算法基础上针对属性约简提出了一个基于条件熵的启发式算法。