改进的人工鱼群算法

通过对人工鱼群算法的研究,给出了改进的人工鱼群算法。采用最优个体保留策略对觅食行为进行改进,防止群体中最优个体的退化;给出加速个体局部搜索方法,改进算法中的聚群行为和追尾行为,使全局最优值更快地突现出来;根据双射的定义和性质,在不影响最终寻优结果的情况下对问题的搜索域进行"缩小",从而加速了全局搜索。仿真结果表明改进的人工鱼群算法具有求解精度高、寻优成功率高、收敛速度快、算法稳定等优点。     

浅析人工鱼群算法

人工鱼群算法是一种新型智能优化算法.对传统智能优化算法而言,该算法由于出现时间短,理论基础薄弱,其研究成果远没有遗传算法和粒子群算法那样成熟和完善,有许多问题还需要进一步研究.介绍了人工鱼群算法的基本原理、应用前景和国内外的研究现状和主要研究内容,并分析了目前研究过程中出现的不足.     

量子人工鱼群算法

融合量子计算与智能优化的新型高效优化算法层出不穷,成为现在优化算法研究的主流.为此,将量子计算引入到人工鱼群算法中,提出一种新型的量子进化算法———量子人工鱼群算法.该算法用量子计算的方法重新描述了人工鱼的行为,用量子比特对人工鱼进行编码,用量子旋转门实现人工鱼的更新操作,用量子非门进行人工鱼变异,从而实现了目标的优化求解.并分别以函数极值和TSP问题为例进行了仿真,验证了算法的有效性.     

分类规则挖掘的免疫算法

为了高效地从数据库中挖掘分类规则，提出了一种基于免疫算法的分类算法．该算法的核心思想为：对规则的前件进行固定长度编码，适应度函数的计算由分类规则的较小分类错误率、简洁性、一致性和训练实例的覆盖性构成，通过把适应度最小的个体作为先验知识来修改个体的某些分量的方法进行疫苗接种，并通过检测个体是否出现退化和模拟退火来实现免疫选择，同时还采用了基于信息增益的规则剪枝策略．在美国加州大学标准数据集中的5个数据集上将该算法与RISE和OCEC算法进行了实验比较，结果表明该算法不仅具有更快的收敛速度，而且获得了更高的预测准确率及更小的规则集。     

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。     

基于区间人工鱼群算法的区间套构造方法

文中将区间算法与人工鱼群算法相结合,提出一种用区间人工鱼群算法构造区间套来求解方程根的方法。仿真结果表明,同其它进化算法和传统的二分法相比,该算法收敛速度快,精度高,同样能计算出方程的多个或全部实根,是一种有效的区间套构造方法。     

基于水流作用机制的人工鱼群算法

针对人工鱼群算法(AFSA)在函数优化问题中易陷入局部极值和求解精度较低的缺点,提出了一种在基本人工鱼群算法中引入水流作用机制的改进方案。通过水流作用机制中的持续性水流和周期性水流对鱼群施加的有益影响来改进原有算法。持续性水流影响鱼群的体力变化从而控制视野和步长参数的自适应调整以提高求解精度;周期性水流冲击鱼群并改变部分鱼的位置,从而保持鱼群的种群多样性以利于全局收敛。仿真实验结果表明:本文的改进算法具有更高的求解精度和更好的全局搜索性能,并验证了算法的有效性。     

基于改进人工鱼群算法的PID控制器参数优化

针对基本人工鱼群算法易陷入局部极值,难以保证得到全局最优解的问题,提出基于改进人工鱼群算法的PID控制器参数优化方法,在其基础上,引入了攻击行为,即当水中的食物稀少时,鱼就会因为抢夺食物而发生攻击其他鱼的行为。通过仿真实验证明,具有攻击行为的人工鱼群算法有助于引导人工鱼跳出局部最优解域,在全局范围内搜索最优解,提高了PID控制器参数优化的效率。     

基于关联的自适应分类规则发现模型

为了对现实中的大规模数据集进行分类挖掘，提出了一个基于关联的自适应分类规则挖掘模型，研究了该模型在预处理、多层分类规则的挖掘、算法的可扩展性、效率和输入参数的自适应等方面的技术和方法．     

一种基于粗糙集分类规则发现的方法

介绍了粗糙集理论实现数据分类和规则推理的基本原理,并利用粗糙集理论中核及决策类覆盖的概念,提出了一个在数据集中发现没有冗余属性的最小归纳依赖关系,并简化带有不相容规则的决策系统的多层次数据挖掘算法,应用一实际的例子说明如何在数据库中发现分类规则.     

相关规则并行算法的改进

数据挖掘在统计学、机器学习和其他学科中所研究的许多数据分析方法都是侧重于算法精度，随着存储数据量的不断增长，已有的方法面临着效率和可扩展性的挑战，需要对他们重新研究，从而开发出高效的，面向集合，扩展性好的数据挖掘算法．本文提出了基于DHP算法同时吸取DMA，OA算法优点的DDO(DHP-DMA-OA)算法，该算法吸取前3种算法的优点，同时又避免了各自的局限性，是一个较为高效的和适用性较强的可扩展性算法．     

一种交互式可约束的最小关联规则集挖掘算法

给出三类约束，并讨论了约束的反单调性，实现了一种交互式的可约束的最小关联规则集挖掘算法，并分析了算法的优越性。     

一种挖掘大型数据库的关联规则新算法

关联规则挖掘算法FP-Growth在挖掘大型数据库时,占用内存大、运行速度慢或根本无法构造基于内存的FP-tree。针对这些问题,文章提出一种适合于挖掘较大型数据库的新的关联规则挖掘算法DFP-Growth,新算法将数据库分解,然后对分解得到的各个数据库子集用FP-Growth算法进行约束频繁项集挖掘,以满足大型数据库挖掘的需求。     

时序规则分布挖掘方法

发现时序规则的有效时间段,即规则的分布,有助于对序列行为进行更深入的了解.论文介绍了一种时序规则分布的挖掘方法描述了相应的分割选择策略、频繁度量算法、知识表示生成方法、以及针对时间序列数据的规则分布挖掘系统的体系结构.该方法对于序列长度来说,时间消耗是线性增长的,并且支持在线的知识发现.使用人工生成数据与真实数据进行了实验,结果表明该方法可以有效地生成符合问题定义的规则分布表示,以应用于发现新奇的有用知识.     

基于Boltzmann选择的人工蜂群KFCM算法

为提高算法的搜索效率、减少搜索过程中陷入局部最优的现象,将人工蜂群算法用于核模糊C-均值聚类,但在聚类数比较大和维度较高时效果不太好,为此引入Boltzmann选择机制代替轮盘赌的选择方式,并采用小区间生成法使初始群体均匀化,使得该算法的全局寻优能力更强,有效克服了KFCM算法易陷入局部最优的缺点.实验结果表明,对于聚...     

改进的关联规则挖掘算法-MIFP-Apriori算法

Apriori算法是关联规则挖掘的经典算法,具有原理简洁、易编程实现等优点,得到广泛应用。针对该算法扫描数据库次数过多,产生大量冗余候选集的缺陷,在现有Apriori算法改进优化思想的基础上,结合矩阵、改进频繁模式树和计算候选集频数优化策略提出了一种改进的关联规则挖掘算法——MIFP-Apriori算法。实验表明,该算法能够将扫描数据库次数降低到一次,有效解决产生大量冗余候选集的缺陷,提高算法效率。