一阶规则获取中的等价类问题

一阶规则空间中的θ-包容序是一个quasi-order序(自反的和传递的),采用通常的基于规则覆盖例子数目的评判标准,沿着这个quasi-order序挖掘一阶规则时,存在一阶规则的等价类问题,严重地降低了算法的搜索效率和规则的可读性。采用基于规则绑定数目的评判标准则可有效区分等价规则的优劣,正确地指导算法的搜索方向。     

一种基于遗传算法的关联规则挖掘方法

根据关联规则挖掘的要求与特点,结合遗传算法的思想,提出了一个基于遗传算法的关联规则挖掘方法,并通过实例分析,说明是一种具有实用价值的方法。     

基于遗传算法的有趣模糊规则挖掘算法

针对数据挖掘中多强调分类规则的准确性和可理解性而很少研究规则的有趣性问题。对CHENS和LIUB提出的兴趣规则挖掘方法进行扩展,提出一种基于遗传算法的有趣模糊规则挖掘方法．实验表明该方法是可行的．     

基于遗传算法获取模糊规则

针对传统利用遗传算法(GA)直接获得的模糊规则所具有的局限性问题,提出了一种带有加权因子的模糊控制规则计算方法,并利用遗传算法对加权因子进行全局寻优,最终由最优加权因子计算生成模糊规则。该计算方法针对不同的模糊输入等级施加不同的加权因子,并能够利用加权因子的相关性与对称性完整地评估所有的模糊规则,减少无效规则对系统响应所造成的影响。性能对比实验表明,该模糊规则所构成的模糊控制系统在控制过程中超调量小,调节时间短,在模糊控制的应用中具有可行性;不同激励的仿真实验表明,该模糊规则所构成的模糊控制系统的控制效果不依赖于系统的激励信号,跟踪效果好,具有很强的鲁棒性。     

一种改进的基于关联规则挖掘的遗传算法

针对传统的遗传算法容易导致算法的过早收敛而陷于局部最优困境,或收敛时间过长而消耗大量的搜索时间的缺陷,该文提出了一种改进的遗传算法,该算法采用一种自适应变异率和改进的个体选择方法,并且将这种改进遗传算法应用于关联规则的挖掘,实验结果证明这种算法是有效的。     

一种基于遗传算法的关联规则挖掘算法

基于对数据挖掘,特别是关联规则挖掘的研究,本文提出了基于遗传算法的关联规则挖掘方法,根据关联规则挖掘的特点,提出了对遗传算法中数据的编码模块的改进方案,特别是通过对早熟问题的分析,将改进的自适应Pc,Pm算法应用到遗传算法中来,从而提高了算法的效率。最后给出了完整的基于遗传算法的关联规则挖掘算法。     

基于并行遗传算法的规则发现研究

阐述了传统遗传算法的基本思想、原理和步骤及其在数据挖掘(规则集发现)中的应用,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,继而提出多种群并行进化结构,利用精英重组策略,产生池进化模型以及自适应参数的手段调整并行遗传算法进行数据挖掘。在算法具体实现过程中,采用了动态变异交叉概率等方法,有效避免了并行遗传算法中早熟现象的发生。以北美香菇数据为例,进行并行遗传算法挖掘分类规则,实验说明了该算法在发现和进化规则方面的有效性。     

基于并行遗传算法的规则发现研究

阐述了传统遗传算法的基本思想、原理和步骤及其在数据挖掘(规则集发现)中的应用,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,继而提出多种群并行进化结构,利用精英重组策略,产生池进化模型以及自适应参数的手段调整并行遗传算法进行数据挖掘.在算法具体实现过程中,采用了动态变异交叉概率等方法,有效避免了并行遗传算法中早熟现象的发生.以北美香菇数据为例,进行并行遗传算法挖掘分类规则,实验说明了该算法在发现和进化规则方面的有效性.     

一种基于遗传算法的兴趣规则挖掘算法

数据挖掘是在数据中发现隐藏的结构和模式。但发现的许多模式对用卢来说可能是已知的，从而使这些模式毫无意义，毫无兴趣性。文献中多强调分类规则的准确性和可理解性，但发现兴趣规则在数据挖掘算法中依然是一个令人生畏的挑战。本文采用一种遗传数据挖掘方法，在分类规则产生的同时对其兴趣性进行度量，直接产生兴趣规则。实验表明该方法是可行的、高效的。     

基于遗传算法的关联规则挖掘方法

基于对数据挖掘,特别是关联规则挖掘的研究,提出了一种改进型遗传算法的关联规则提取算法,并从编码方法、适应度函数的构造和遗传算子的设计方面进行讨论分析。通过对早熟问题的分析并改进自适应算子,提高了算法的效率,使算法在相对稳定的动态种群规模中寻找优质解。     

基于遗传算法的学生信息关联规则挖掘研究

该文结合具体的学生信息数据库,把遗传算法理论应用到关联规则的数据挖掘中。通过特定的编码设计,适应度函数构造,数据库处理,遗传算法的参数设置,得到有用的规则,有助于教师对学生的科学管理和指导,提高教学的质量和素质,为其余课程或学生数据库的挖掘起到抛砖引玉的作用。     

基于遗传算法的学生信息关联规则挖掘研究

该文结合具体的学生信息数据库,把遗传算法理论应用到关联规则的数据挖掘中。通过特定的编码设计,适应度函数构造。数据库处理,遗传算法的参数设置,得到有用的规则,有助于教师对学生的科学管理和指导,提高教学的质量和素质,为其余课程或学生数据库的挖掘起到抛砖引玉的作用。     

应用人机交互的遗传算法挖掘股票投资风险规则

介绍了人机交互的遗传算法的基本原理 ,论述了用人机交互的遗传算法挖掘股票投资风险规则的算法思想和关键问题 ,包括规则的表示与编码、适应度函数的定义以及交叉、变异和选择操作 ,提出了基于人机交互遗传算法的股票投资风险规则挖掘算法 .应用该算法从股票交易数据库中挖掘一段时间内股票涨跌与其属性之间的关系 .实验结果表明该算法是可行的和有效的 .人机交互的遗传算法对于挖掘股票投资风险规则以及求解人机合作的“可操作性”问题 ,提供了一种方法和途径     

利用遗传算法自动生成模糊控制规则的研究

利用遗传算法,依据已有的控制目标直接从实际系统或系统模型中自动生成全局最优的控制规则。在倒立摆系统中进行了仿真。最后的仿真结果,表明本文方法的可行性和有效性。     

一种基于遗传算法的用于排序(Ranking)的分类方法

在数据挖掘的许多实际应用中,在进行准确分类（classification）的同时,按照分类的可能性大小进行排序（ranking）日益显得重要。许多分类算法在设计时只考虑分类的准确性,未考虑对分类的可能性进行度量,因而无法用于排序（ranking）任务。本文提出了一种新的基于遗传算法的数据挖掘方法,在产生分类规则的同时,对分类的可能性进行度量。实验证明该算法是可行的。     

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。     

于遗传算法和CLARANS的一种改进聚类算法

阐述了CLARANS（Clustering Large Applications based on RANdomized Search-基于随机搜索的大规模应用聚类）聚类算法的工作原理,同时为了解决CLARANS聚类挖掘算法效率低,费时长等问题,本文将遗传算法的思想引入CLAR-ANS算法,利用遗传算法的隐并行性对其进行改进,提出一种GA-CLARANS算法,有效地降低了聚类所花费的时间。实验证明GA—CLARANS算法在运行效率方面相比CLARANS算法有较好的表现,是可行且有效的。     

关联规则中Apriori算法的C#实现研究

关联规则是数据挖掘中发现知识的一种有效方法,其中Apriori算法又是关联规则挖掘的经典算法。本文在分析该Apriori算法的基础上．介绍了该算法的c＃实现,包括频繁集的发现和关联规则的生成,并且通过对传统购物篮数据中的频繁集进行了验证,并且得到了其中满足最小支持度和可信度的强关联规则。     

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。