遗传算法在数据挖掘中的应用

论文以图书发行网络管理系统为例提出了一种基于遗传算法的分类规则数据挖掘算法。通过定义适应值函数、双种群结构、遗传算子(自适应地改变交叉和变异概率)等手段的应用,进行群体间个体的评优直至最后输出最优规则集。     

遗传算法在数据挖掘中的应用

论文介绍一种利用遗传算法的演化计算机编程的方法来自动建立一种动态非线性数学模型进行数据挖掘,并进行社会经济趋势预测和回归曲线拟合,改变过去那种只使用拟合粗糙、预测结果准确度差的传统预测模型进行曲线拟合和趋势预测的分析方法。在数据实验中,使用遗传算法演化计算机编程的方法自动生成的演化模型对一些真实的历史资料进行了曲线拟合和发展趋势预测以及对前馈、后馈误差进行了深入分析。结果表明,使用该方法建立的演化模型要比传统的线性回归、指数回归、抛物线回归三种固定传统数学模型所预测的数据准确度高很多,而且拟合曲线的前馈标准差和预测后馈标准差也明显要小。     

粗糙集结合遗传算法在数据挖掘中的应用

运用粗糙集,结合遗传算法理论,提出一种提取大型数据表决策规则的方法.首先依据条件属性的重要度,把条件属性加入到核属性集中,生成约简.然后选取一组规则编码作为原始种群,应用遗传算法寻求最优解.经过解码和分析做出推理和决策.     

改进型遗传算法及其在数据挖掘中的应用

文中在简单遗传算法的基础上，利用改进的算法进行关联规则的发现和数据库中特征项权重的发现，通过对农业气象数据库的实验，力求解决遗传算法中的早熟等问题。     

遗传算法在决策支持系统和数据挖掘中的应用

决策支持系统和数据挖掘技术的应用已深入到企业管理、金融、办公及日常生活等各个领域。使用原先决策支持系统中的传统方法已远远不能满足决策者的需要,从而出现许多新技术新方法来辅助和完善决策支持过程。文中在介绍遗传算法的基础上,提出了一种将遗传算法与决策支持系统相结合的观点,阐述了基于遗传算法的决策支持系统的模型设计,且深入讨论了遗传进化技术在数据挖掘中的应用。     

遗传算法在决策支持系统和数据挖掘中的应用

决策支持系统和数据挖掘技术的应用已深入到企业管理、金融、办公及日常生活等各个领域。使用原先决策支持系统中的传统方法已远远不能满足决策者的需要，从而出现许多新技术新方法来辅助和完善决策支持过程。文中在介绍遗传算法的基础上，提出了一种将遗传算法与决策支持系统相结合的观点，阐述了基于遗传算法的决策支持系统的模型设计，且深入讨论了遗传进化技术在数据挖掘中的应用。     

遗传算法与网络数据挖掘

计算机网络发展迅速,网络数据挖掘已经成为一个重要的研究领域。网络数据分布范围广,数据量大,结构多样,时间跨度高。如何对这些海量数据进行高效查询成为研究人员关注的问题。遗传算法在搜索的过程中采用群体搜索方式,有利于得到最优查询结果。在数据查询、查询优化和分布式数据挖掘等方面使用遗传算法,能够从不同角度大大提高查询效果。     

遗传算法在数据挖掘多种分类器合并中的应用

数据挖掘在电子商务中发挥着越来越重要的作用.分类是数据挖掘中一项非常重要的任务.由于单独的分类器都具有一定的适用范围,所以将多个分类器的分类结果进行合并形成更高精度的分类结果是很有意义的一种方法.文中提出了一种基于遗传算法将多种分类器进行合并,以提高分类精度,扩大数据挖掘程序应用范围的方法.     

遗传算法在数据挖掘多种分类器合并中的应用

数据挖掘在电子商务中发挥着越来越重要的作用。分类是数据挖掘中一项非常重要的任务。由于单独的分类器都具有一定的适用范围，所以将多个分类器的分类结果进行合并形成更高精度的分类结果是很有意义的一种方法。文中提出了一种基于遗传算法将多种分类器进行合并，以提高分类精度，扩大数据挖掘程序应用范围的方法。     

基于遗传算法的数据挖掘技术在图书馆中的应用研究

图书馆作为信息的传统提供者,在长期的服务过程中积累了丰富的数据信息资源。将先进的数据挖掘技术引入图书馆行业,可以从现有数据资源中发掘有价值的信息,从而更好地优化馆藏、满足读者的需求和为图书管理人员提供决策支持。本文首先介绍数据挖掘和关联规则挖掘的概念,接着将遗传算法应用于关联规则挖掘中,最后通过实例挖掘图书馆读者和图书之间的关联规则。     

基于粗糙集和遗传算法的数据挖掘方法

运用粗糙集和遗传算法的理论,为大型的数据挖掘提供了一种新的方法。首先通过粗糙集理论对数据进行预处理,然后对属性简约,最后通过遗传算法进行规则提取,寻找最优解。     

模糊数据挖掘和遗传算法在入侵检测中的应用

论述了数据挖掘和遗传算法在入侵检测中的应用,详细描述了模糊关联规则和模糊频繁序列挖掘,并进一步介绍了如何采用遗传算法优化模糊集合隶属函数,从而达到改善入侵检测系统性能的目的。     

基于增量式遗传算法的分类规则挖掘

分类知识发现是数据挖掘的一项重要任务,目前研究各种高性能和高可扩展性的分类算法是数据挖掘面临的主要问题之一。将遗传算法与分类规则挖掘问题相结合,提出了一种基于遗传算法的增量式的分类规则挖掘方法,并通过实例证明了该方法的有效性。此外,还提出了一种分类规则约简方法,使挖掘的结果更简洁、更易理解。     

基于遗传神经网络的数据清洗方法

现实世界中的数据常常是有噪声、不完全和不一致的,数据清洗能够帮助改善数据的质量,进而帮助提高数据挖掘的有效性和准确性。该文提出了一种基于遗传神经网络的数据清洗模型,它充分利用了神经网络的非线性映射和遗传算法的全局优化特性。实验证明,这种方法的可行性、有效性及处理精度都比较高。     

数据挖掘技术及其在过程监控中的应用

数据挖掘技术作为一个新兴的技术在许多领域都有成功的应用，本文从数据挖掘的定义、数据挖掘技术的分类以及数据挖掘技术的发展和发掘工具三个方面对数据挖掘技术做了概述，并对数据挖掘技术在过程监控中的应用进行了探讨。     

遗传算法算子优化的应用

为了解决简单的遗传算法中容易出现"早熟收敛"等问题,需要对遗传算法进行改进.改善的算法采用自适应的交叉和变异算子,让交叉和变异概率随适应函数值的变化而变化.测试证明这是一种有效的优化方法,可以起到跳出"早熟",加速收敛的效果.     

基于关联度分析的遗传算法研究及其应用

简要分析了关联规则数据挖掘技术的研究现状,给出了关联规则问题描述,引出了基于关联度的适应度函数,最终建立了一个基于关联度分析的遗传算法。并应用于银行卡分析系统,建立特征提取的具体实例即客户信用度预测模型。实例结果表明具有较好的分类预测能力。     

遗传算法技术浅论

本文讨论了遗传算法的原理、特点、应用、操作等知识。通过对遗传算法的构造步骤的描述．给出了遗传算法的实现过程。