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.     

协同进化算法在关联规则挖掘中的应用

文中采用了一种协同进化算法,分别利用改进的遗传算法和粒子群算法对两个种群同时进行迭代,并在种群之间引入一种信息交互机制,使两个种群协同进化。文中最后通过实验对该协同进化算法、传统的遗传算法以及粒子群算法应用于关联规则挖掘时的性能进行比较,证明了该协同进化算法在可接受的时间复杂度前提下,不仅继承了传统遗传算法挖掘关联规则时无须产生规模庞大的候选项集和有效减少扫描数据库次数的优点,更弥补了其容易早熟收敛的缺陷,从而能高效地搜索出数据库中高质量的关联规则,这点在其应用于高维数据集时尤为显著。     

协同进化算法在关联规则挖掘中的研究

文中结合遗传算法和粒子群优化算法各自的优势,采用协同进化的思想,同时应用两种算法来遍历两个种群,并引入它们的信息交互机制。最后,实验和应用证明,在可接受的时间复杂度的前提下,协同进化算法不但能继承传统遗传算法的优越性,有效地减少扫描数据库的次数,和产生小规模的候选项目集;而且通过比较协同进化算法,传统的遗传算法和粒子群优化算法的属性,在关联规则挖掘中使用该算法,能避免早熟的现象。采取协同进化算法时可以发现高品质的关联规则,尤其是在高维数据库中。     

基于模拟退火并行遗传算法的Otsu双阈值医学图像分割

模拟退火和并行遗传算法是两种较好的改进进化算法性能的方法.将这两种思想有机地结合起来,利用遗传算法能全局寻优的优势和模拟退火算法的爬山性能,提出T一种基于模拟退火并行遗传算法的Otsu双阈值医学图像分割算法.在该算法中,进化在多个不同的子群中并行进行,利用模拟退火算法的爬山性能,避免单种群进化过程中出现的过早收敛现象,...     

基于模拟退火并行遗传算法的Otsu双阈值

模拟退火和并行遗传算法是两种较好的改进进化算法性能的方法。将这两种思想有机地结合起来,利用遗传算法能全局寻优的优势和模拟退火算法的爬山性能,提出了一种基于模拟退火并行遗传算法的Otsu双阈值医学图像分割算法。在该算法中,进化在多个不同的子群中并行进行,利用模拟退火算法的爬山性能,避免单种群进化过程中出现的过早收敛现象,提高整个算法的收敛速度。实验证明,这种新的图像分割算法与并行遗传算法相比,不仅能够对图像进行准确的分割,而且具有更强的精确性和稳定性。其收敛速度明显比并行遗传算法的Otsu双阈值医学图像分割快。     

大规模数据集的增量式关联规则挖掘

商业活动和工程实践中通常会积累一些大规模的携带重要信息的数据,由于这种数据集经常有更新且数据量较大,在对它们进行增量式关联规则挖掘时,若采用基于传统的Apriori算法进行计算,一方面难以取得较好的效率;另一方面支持度设置过低会产生大量的冗余规则,设置过高则会把一些支持度不高但有用的规则过滤掉而导致算法对这些新规则感应迟钝。因此,借助遗传算法的相关机理,同时结合自然界的免疫进化理论及相关仿生机制,提出一种IOGA（Immune Optimization based Genetic Algorithm,基于免疫优化的遗传算法）增量式关联规则挖掘方法。通过实验表明,该方法应用于大规模数据集的增量式关联规则挖掘时,可以及时地感知规则的变更并发现有用的规则,减少了冗余规则的产生,同时挖掘效率也有明显提高。     

改进遗传算法在图像挖掘中的应用

图像关联规则挖掘是图像挖掘中重要研究课题。为了克服传统算法找到的关联规则数目太多,用户无法对其进行分析;种群进化陷入停滞不前,造成局部收敛等问题,引入了兴趣度这个阈值,提出了一种根据适应度值自动调整交叉概率和变异概率的新的自适应遗传算法,并成功地运用到Landsat卫星ETM数据图像,实现了图像关联规则的提取。实验结果表明,该算法在收敛快速性和稳定性等方面都有了明显改善,达到了预期效果。     

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。     

一种基于混沌迁移的伪并行遗传算法及其应用

为了解决遗传算法寻优过程中的早熟收敛问题 ,本文提出了一种基于混沌迁移策略的伪并行遗传算法 ,该算法针对实时性要求不高的优化问题采用串行的算法结构实现分解型并行遗传算法的“独立进化、信息交换”思想 .在并行进化的个体异步迁移过程中 ,引入了混沌迁移序列引导个体迁移过程 ,利用其遍历性和随机性 ,保证了子种群之间能够进行充分高效的信息交换 .仿真研究和在库存优化方面的应用研究表明 ,这种算法具有很强的全局搜索能力 ,寻优效率高 ,有效克服了标准遗传算法的早熟收敛问题 .     

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     

基于MapReduce计算模型的并行关联规则挖掘算法研究综述

关联规则挖掘是最常用、最重要的数据挖掘任务之一,经典的关联规则挖掘算法有Apriori、FP-Growth、Eclat等。随着数据的爆炸式增长,传统的算法已不能适应大数据挖掘的需要,需要分布式、并行的关联规则挖掘算法来解决上述问题。MapReduce是一种流行的分布式并行计算模型,因其使用简单、伸缩性好、自动负载均衡和自动容错等优点,得到了广泛的应用。本文对已有的基于MapReduce计算模型的并行关联规则挖掘算法进行了分类和综述,对其各自的优缺点和适用范围进行了总结,并对下一步的研究进行了展望。     

基于粗糙集理论的ORD关联规则挖掘算法

关联规则挖掘是数据挖掘的重要领域之一,利用粗糙集理论来挖掘关联规则的方法已经得到广泛关注.针对不完备信息系统,提出了基于粗糙集理论的快速ORD关联规则挖掘算法.该算法首先采用基于粗糙集理论的属性约简算法进行属性约简,然后采用快速、高效的冗余项集和冗余规则修剪算法--ORD算法获取关联规则.将该算法与其它同类流行的算法在4个UCI数据集上进行实验比较,结果表明该算法性能良好.     

克隆遗传算法在学生成绩分析中的应用

分析了关联规则挖掘的特点,提出一种基于克隆遗传策略的关联规则挖掘模型。该模型针对遗传算法易于陷入局部最优的缺点,引入克隆算子,通过克隆操作扩大群体规模,并采用自适应方式动态地选取交叉率和变异率,从而求得问题的最优解。实例分析表明,克隆遗传模型能有效处理数据集中的关联规则挖掘问题。     

基于规则量和提取率的关联规则挖掘算法

基于规则量和提取率度量标准,提出一种使用并行克隆退火遗传策略的关联规则挖掘算法。该算法结合了遗传算法、模拟退火算法和免疫克隆算法的优点,采用克隆、变异和交叉操作获取问题的最优解。理论分析和仿真实验结果表明,该算法能高效、快速地解决关联规则挖掘问题。     

遗传算法在关联规则挖掘中的应用

数据挖掘是关联规则中一个重要的研究方向。该文对关联规则的数据挖掘和遗传算法进行了概述,提出了一种改进型遗传算法的关联规则提取算法。最后结合实例给出了用遗传算法进行关联规则的挖掘方法。     

Mining data streams with concept drifts using genetic algorithm

Recent research shows that rule based models perform well while classifying large data sets such as data streams with concept drifts. A genetic algorithm is a strong rule based classification algorithm which is used only for mining static small data sets. If the genetic algorithm can be made scalable and adaptable by reducing its I/O intensity, it will become an efficient and effective tool for mining large data sets like data streams. In this paper a scalable and adaptable online genetic algorithm is proposed to mine classification rules for the data streams with concept drifts. Since the data streams are generated continuously in a rapid rate, the proposed method does not use a fixed static data set for fitness calculation. Instead, it extracts a small snapshot of the training example from the current part of data stream whenever data is required for the fitness calculation. The proposed method also builds rules for all the classes separately in a parallel independent iterative manner. This makes the proposed method scalable to the data streams and also adaptable to the concept drifts that occur in the data stream in a fast and more natural way without storing the whole stream or a part of the stream in a compressed form as done by the other rule based algorithms. The results of the proposed method are comparable with the other standard methods which are used for mining the data streams.     

遗传算法在关联规则挖掘中的应用

数据挖掘是关联规则中一个重要的研究方向。该文对关联规则的数据挖掘和遗传算法进行了概述,提出了一种改进型遗传算法的关联规则提取算法。最后结合实例给出了用遗传算法进行关联规则的挖掘方法。     

关联规则挖掘算法的多核并行优化

分析了并行关联规则挖掘算法存在的不足,提出了一种改进的关联规则挖掘的多核并行优化算法。该算法对Apriori算法的压缩矩阵进行了改造,并在多核平台下利用OpenMP技术和TBB技术对串行程序进行循环并行化和任务分配的并行化设计,最大限度地实现并行关联规则挖掘。     

自动数据挖掘算法

研究了一种基于文法引导遗传编程（GGP）的自动数据挖掘算法．规则归纳算法是一种典型的数据分类方法．采用文法引导的遗传编程对规则归纳算法进行改进,从而提出了一种规则自动提取的算法．最后结合电视购物项目,给出了基于文法引导的遗传编程自动提取规则的实例．     

基于神经网络与遗传算法的数据挖掘体系结构

从神经网络中提取规则可以有效地应用于数据挖掘中的分类问题。作为一种有效的优化方法，遗传算法可以应用于规则剪枝。提出了一个基于神经网络与遗传算法的数据挖掘体系结构，可以应用于数据挖掘中的分类问题。