基于遗传算法的一种数据拟合方法

基于遗传算法,提出了一种数据拟合方法,通过对函数参数进行编码,多次进行交叉变异操作,最终得到参数估计值。实验结果表明,该方法是有效可行的。     

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。     

一种基于遗传算法的数据预处理组合方法

在数据挖掘的众多数据预处理方法中，要根据不同的数据背景及特征准确的选用不同的处理方法是非常困难的。为此，提出了一种基于最小二乘法原理和遗传算法的数据预处理组合方法，该方法综合了各种算法的估计结果。实践证明，这种方法大多数情况下通用并且可靠性很高。     

一种基于遗传算法的决策支持系统建模方法

提出了一种具有实用价值的决策支持系统中的建模方法。该方法针对具体问题的特点 ,建立实体数据与模型库模型之间的遗传算法 ,再利用遗传算法自适应寻优及智能搜索技术 ,从模型库中获取与实体数据最相容的模型作为决策支持系统该次运行的决策模型。这一方法一定程度上克服了传统建模方法的部分缺点和局限性 ,使决策模型更加接近实体的运动或变化轨迹。     

一种基于遗传算法的航迹优化方法

目的设计优化一类巡航导弹航迹,且航迹满足避开地空导弹、高炮、歼击机群、电磁脉冲等火力单元和地形地物障碍,并且满足航迹路径长度短、耗油量少等约束条件。方法利用遗传算法进行优化,对遗传算法的交叉操作进行改进。结果提出了一种巡航导弹航迹优化算法和一个航迹规划代价评判模型。结论经仿真实验证明该方法典型性强,处理的信息量小,实时性也较好, 具有一定的理论和使用价值。     

一种基于免疫遗传算法的数据挖掘方法

提出了一种基于免疫遗传算法的数据挖掘算法,该算法在简单的遗传算法基础上引入免疫算子解决了遗传算法中的早熟现象。这种算法具有很好的鲁棒性和隐含并行性,能快速、有效的进行全局优化搜索。特别适用于大规模、海量数据库的挖掘。     

一种基于遗传算法和模糊规则的分类算法

介绍了一种基于模糊规则和遗传算法的分类算法.首先给出一种模糊规则提取方法,然后遗传算法对模糊规则进行优化选择,最后对不能识别的样本启动触发器.该算法可以在保证分类正确性高的前提下尽量减少规则数,并提高样本识别能力.用Iris数据对该分类系统进行仿真,结果表明该系统具有良好的分类能力和精简规则能力.     

基于并行遗传算法的KNN分类方法

针对KNN的K值难以确定的问题,提出一种基于并行遗传算法的KNN分类方法.该方法采用粗粒度模型的并行遗传算法进行设计,通过种群内的遗传、变异和种群间的并行进化、联姻得到优化的K值和分类结果.实验结果表明,该方法有效的提高了KNN算法的分类效果,是一种精确高效的分类方法.     

基于遗传算法的骨肿瘤分类方法研究

为了更好地利用骨肿瘤分形参数集对骨肿瘤进行模式判别，将基于连续变量的遗传算法和相应的交叉与变异算子应用于骨肿瘤的模式分类中。针对该算法在实验中出现的振荡及不收敛问题，相应采用了自适应技术加以改进。通过对比改进前后遗传算法的精度和速度，证明了改进后的自适应遗传算法稳健性能好，运算速度快。利用该算法，可根据分形参数模式集对骨肿瘤进行有效的分类，达到了预期的目标。     

一种基于遗传算法的优化查询方法

查询效率是数据库系统的重要指标,查询优化是该系统研究的难点和热点.提出了一种基于遗传算法的优化查询方法,该法利用关键字预处理模块,将用户输入的关键字转化为内部关键字,以提高查询准确性;为加快查询响应时间,设置用户搜索统计记录索引表,避免遇到重复搜索时的全库扫描;针对全库扫描时采用遗传算法进行最优求解,提出了相关度的计算方法,根据相关度的大小进行排序,方便用户查询.     

基于遗传算法的聚类分析及其应用

通过把C-均值法中的距离平方和准则函数作为遗传算法的适应度函数，把各个聚类中心编码成染色体，来讨论一种基于遗传算法的聚类分析方法，目的是利用遗传算法的全局性来提高聚类算法找到全局最优的可能性。实验结果证明，该算法可以很好地解决某些聚类分析问题。     

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。     

一种基于messyGA的分类规则提取算法

目前的遗传算法还普遍受限于模式定理，基于积木块假设的算法使得低阶短定义距的特征保留，影响到了算法的全局搜索能力。一种基于messyGA的分类算法，克服了只有低阶短定义距模式构成最优解的缺点，实验结果表明，该规则提取算法优于传统分类算法。     

一种基于简单遗传算法的K-Means改进算法

针对k-means算法对初始值敏感、易陷入局部极小值等缺点,结合遗传算法的思想,提出了一种基于遗传算法和k-means算法的混合聚类方法,为了测试该聚类算法的性能,用k-means 算法和改进的算法进行了1组实验,并对2种算法的聚类结果进行比较,实验结果表明算法能够有效地解决聚类问题.     

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.     

一种基于改进型遗传算法的关联规则提取算法及其应用

对关联规则的数据挖掘和遗传算法进行了概述,阐述了关联规则数据挖掘的现实意义,提出了一种采用改进型遗传算法的关联规则提取方法,并给出了具体的算法,最后结合一个具体实例进行了应用。