基于免疫遗传算法的多维多层关联规则挖掘

提出一种基于免疫遗传算法的多维多层关联规则挖掘算法。免疫遗传算法具有很好的鲁棒性及全局搜索能力,能快速有效地进行全局优化搜索。针对现有多维多层关联规则挖掘中存在阈值定义不合理的缺点,依据多维和多层数据的共同特点,给出一种启发式的阈值自定义方式,结合免疫遗传算法提高挖掘效率和结果的准确性。结果表明,挖掘效率和质量有明显提高。     

基于人工免疫的多维关联规则挖掘及其应用研究

关联规则挖掘是一个重要的数据挖掘问题.目前,关于单维关联规则的成果已经比较成熟,但是对于多维关联规则问题因为存在显著的组合爆炸问题,至今尚未完美解决.提出了一种基于人工免疫的多维关联规则挖掘算法.算法充分利用了人工免疫的记忆特性,把挖掘的关联规则存入记忆库,加快了多维关联规则的挖掘速度.结果表明,该算法应用于煤与瓦斯突出预测中,具有较好的鲁棒性,能快速、有效地进行全局优化搜索,在多维关联规则的挖掘中具有可行性和高效性.     

一种高效的多维多层关联规则挖掘算法

关联规则是数据挖掘中一个重要的研究方向。文章提出了一种基于遗传算法的多维多层关联规则挖掘算法。算法针对现有多维多层关联规则挖掘中存在阈值定义不合理的缺点,依据多维和多层数据的共同特点,提出了一种启发式的阈值自定义方式,来提高挖掘效率和结果的准确性。实验结果证明这种算法是有效。     

一种基于多维集的关联模式挖掘算法

大多数维间关联规则挖掘算法如基于数据立方体的关联规则挖掘算法都假定对象的属性取值只具有单值性．将对象的属性取值扩展到多值，据此提出多维集的概念和基于多维集关联规则的语义特征．在此语义特征下，提出了一个多维集的关联规则挖掘算法．该算法利用多维集关联规则的限制特征，能够在数据集缩减的同时进行侯选集的三重剪枝，因此，具有比直接使用apriori等算法更好的性能，分析了算法的性能和正确性、完备性，并通过实验对算法有效性进行了对比．     

融合GA和关联规则的数据挖掘方法改进研究

本文提出一种融合改进遗传算法和关联规则的数据挖掘方法。首先将遗传算法交叉算子和变异算子进行自适应改进,使其在迭代过程中能够根据函数适应度值自适应调节。然后将改进后的自适应遗传算法融入到关联规则中,充分利用遗传算法良好的全局搜索能力,提高处理海量数据关联规则的挖掘效率。为了避免无用规则,减少不相关性的存在,在此基础上融入亲密度以提高关联规则的可靠性。在Hadoop大数据平台上通过分析交通数据验证优化后的算法,与传统方法相比,该方法提高了算法的收敛速度和鲁棒性。     

.基于规则提取量的Web日志关联规则挖掘方法*

引入规则提取量的度量标准,提出一种基于免疫多克隆遗传策略的Web日志关联规则挖掘方法。该算法在遗传算法的基础上引入免疫多克隆算子,有效地克服了遗传算法容易陷入局部最优的缺点,具有更强的全局与局部搜索能力。实验结果表明,该算法能高效地解决Web日志关联规则挖掘问题。     

基于免疫算法的多维关联规则挖掘方法

关联规则挖掘是一个重要的数据挖掘问题,文章给出了一种基于免疫算法的多维关联规则挖掘算法,算法充分利用了免疫记忆特性,把挖掘的关联规则存入记忆库,加快了关联规则的挖掘速度。实验结果表明该算法具有较好的鲁棒性,能快速、有效地进行全局优化搜索。特别适用于大规模、海量数据库的挖掘。     

基于免疫遗传算法的多维关联规则挖掘

关联规则挖掘是数据挖掘中一个很重要的研究课题。文章给出了一种基于免疫遗传算法的关联规则挖掘算法,该算法具有很好的鲁棒性和隐含并行性,能快速、有效地进行全局优化搜索。特别适用于大规模、海量数据库的挖掘。     

OLAP中基于FP-增长的关联规则挖掘

关联规则挖掘是一种发现属性问关系的方法，主要用于在商务事务记录中挖掘事务问关系。本文将已经广泛使用的FP-增长(frequent-pattern growth，频繁模式增长)算法进行改进，实现了OLAP中的关联规则挖掘。改进算法分别针对单维、多维、混合维三种关联规则，将多维立方体转化成不同的关系表，通过关系表产生关联规则．并利用立方体中的事实值作为进一步约束，生成了更有价值的规则。     

遗传算法与蚂蚁算法的融合

遗传算法具有快速随机的全局搜索能力，但对于系统中的反馈信息利用却无能为力，当求解到一定范围时往往做大量无为的冗余迭代，求精确解效率低．蚂蚁算法是通过信息素的累积和更新收敛于最优路径上，具有分布式并行全局搜索能力，但初期信息素匮乏，求解速度慢，算法是将遗传算法与蚂蚁算法融合，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，仿真表明取得了非常好的效果。     

基于免疫克隆文化算法的关联规则挖掘

关联规则挖掘是数据挖掘中的一个重要任务,传统关联规则挖掘方法计算复杂度高、效率较低,而智能算法在搜索过程中具有保持种群多样性、鲁棒性等优点。本文提出基于免疫克隆文化算法的关联规则挖掘模型,该模型将免疫克隆算法嵌入到文化算法的框架中,利用免疫克隆算法的全局收敛性在数据库中迅速搜索频繁项目集,进而提取用户感兴趣的关联规则;利用文化算法信念空间的知识结构指导种群的进化,增强了搜索的目的性和方向性。实验表明,该模型具有较快的运行速度,提高了所得关联规则的准确率。     

基于双库协同机制的挖掘关联规则算法Maradbcm

关联规则是数据挖掘中一种重要的模式，Aprori算法是挖掘关联规则的典型算法，而Apriori算法存在一定的缺点：数据库的全局搜索和产生大项集时使用支持度阈值会删除有意义的规则等。Maradbcm算法是在KDD内在机理研究 的基础上提出的一种新的挖掘关联规则算法，它可以克服Apriori算法的上述缺点，在简要地叙述了双库协同机制和Maradbcm算法后，将该算法应用于蘑菇数据库，结果显示该算法是有效的，它充分显示了内在机理研究对KDD主流发展的重要作用与影响，并为整个知识发现系统的研究提供了一条全新的路径。     

一种进化型蚁群算法及其在TSP问题中的检验

蚁群算法是通过模拟蚂蚁觅食而发展出的一种新的启发算法，其收敛速度一直是人们关心的问题。针对蚁群算法的一些不足，提出基于最小生成树的进化型蚁群算法。它利用了最小生成树与最优路径之间的关系限制了蚂蚁在每一个城市的搜寻范围，进化了寻优策略，节省了在不可能构成最优路径的路段上的计算时间，提高了运算速度，克服了以往蚁群算法的计算时间长、精度低的缺点，使得蚁群算法有了显著的提高。计算机仿真结果表明，该文算法改进了标准蚂蚁群算法的效率和计算结果的质量。     

一种新的自适应蚁群算法及其应用

蚂蚁算法是一种新型的元启发式优化算法，初步的研究表明该算法具有较强的发现较好解的能力，但同时也存在一些缺点如容易出现停滞现象、收敛速度慢等。针对蚂蚁算法的不足，该文提出了一种自适应蚁群算法。该算法根据平均节点分支数动态地调整转移概率以避免算法出现停滞现象，从而极大地提高了算法搜索较好解的能力。仿真实验结果表明，新算法即使在运行的后期，仍然能以极大的概率搜索较好的解。     

自适应路由蚁群算法在导弹残骸搜索中的应用

防空导弹飞行试验后弹目残骸有着重要价值.根据残骸搜索的实际需求,把残骸落点纳入到路网中,结合自适应路由算法,改进了基本蚁群算法,解决了靶场残骸搜索的最优路径问题.蚁群算法有收敛性较差、易于过早陷入局部最优等不足,通过构建蚁群、引入信息素约束条件、调整信息素初始值、自适应改变信息素增量等技术,增强了蚁群搜索能力,改善了算法收敛速度.仿真表明该算法易于编程实现,时延小,鲁棒性强,实用性好.     

带佳点交叉算子的非均匀窗口蚁群算法

基本蚁群算法具有较强的鲁棒性,但收敛慢并容易陷入局部最优。针对这些缺陷,通过将蚂蚁的搜索空间缩减在非均匀的小窗口中,减少了蚂蚁的搜索时间。并将佳点集遗传算子引入到解的优化中来,提出了带佳点杂交算子的非均匀窗口蚁群算法,从本质上探索蚁群算法的寻优能力。实验结果表明:新提出的算法明显快于基本蚁群算法,佳点集杂交算子对解的优化有较好的作用。但需要继续探索避免陷入局部最优的方法,以及算法各部分所采用的方法的平衡问题。     

基于自适应蚁群算法的Job-shop调度方法及其仿真研究

蚁群算法作为一种仿生进化算法,具有并行性、鲁棒性等优良性质,被广泛地应用于组合优化问题中。本文首先分析了job-shop调度问题与蚁群算法的内在联系,提出了一种新的用蚁群算法求解的方法。同时,为了增强算法的全局搜索能力和防止早熟现象,对挥发系数引入了一个自适应过程。最后,通过仿真证明了该算法在job-shop调度中的有效性。     

异类种群蚂蚁机器人滚动规划算法

依据真实蚂蚁具有自动分流功能这一研究成果,提出了一种全新的基于异类蚂蚁算法的机器人路径滚动规划算法。算法引入分流蚁,以选择信息素较少的路径行走,从而增强了搜索多样性。为加快收敛,结合模拟退火思想动态调节分流蚁的个数。仿真实验表明,即使在复杂的未知环境下,利用该算法也可以规划出一条全局优化路径。     

改进关联规则数据挖掘在网络入侵检测中的应用

随着网络技术的广泛应用,网络系统的安全变得至关重要。入侵检测是保护网络系统安全的关键技术和重要手段,但现行的入侵检测达不到实际应用的需求。关联规则挖掘可以从海量数据中发现正常和异常的行为模式,有效地检测入侵。因此,研究关联规则的数据挖掘对于提高入侵检测的准确性和时效性具有非常重要的意义。