数据挖掘中的K-means算法及改进

从数据挖掘的基本概念入手,逐步深入分析本质,并且对k-means进行探讨,对其中的聚类中心的方法进行了改进。     

一种基于快速分散模拟退火算法 的数据聚类算法

把求解数据聚类问题转换为一个图形分割寻优问题，提出一种基于快速分解模拟退火算法的数据聚类算法。实验结果表明，快速分解模拟退火算法退火时间短、收敛速度快， 磁盘I／O开销小，把它应用于数据聚类中,可以获得较好的聚类结果。     

模拟退火K均值算法在文本挖掘中的应用

讨论了聚类分析及文本挖掘,分析了一种用模拟退火思想改进的K均值聚类算法在文本挖掘中的应用。传统的信息检索技术已经不适应日益增加的、大量文本数据处理的需求。如何从数据中分析和提取有用信息即文本挖掘已经成为数据挖掘中日益流行与重要的研究课题。     

蚁群算法在数据挖掘中的应用研究

蚁群算法是一种新型的模拟进化算法,在求解复杂的组合优化问题中获得成功并表现出良好的性能。文章介绍了蚁群算法在分类和聚类两个重要的数据挖掘任务中的应用研究情况,阐述了算法的基本原理及特性,最后总结了蚁群算法在数据挖掘应用中尚待解决的问题。     

数据挖掘中的聚类算法综述

聚类是数据挖掘中用来发现数据分布和隐含模式的一项重要技术。全面总结了数据挖掘中聚类算法的研究现状,分析比较了它们的性能差异和各自存在的优点及问题,并结合多媒体领域的应用需求指出了其今后的发展趋势。     

数据挖掘中的聚类算法

数据挖掘已经被广泛的应用于商业银行，电信行业，心理学，生物医学等各行各业中。由于数据挖掘涉及的学科领域和方法很多，所以就有多种分类方法。这里介绍了聚类方法的要求以及常见的聚类算法。现在还有很多改进的聚类算法，对H—K算法做了主要介绍。     

数据挖掘中聚类算法研究

聚类分析是数据挖掘的核心技术之一。本文介绍了当前最具代表性的聚类算法,分析它们各方面的特性,总结了聚类方法发展的趋势,并对聚类算法的研究提出了展望,便于研究者对已有算法应用与改进。     

一种快速的模拟退火算法及其在数据聚类中的应用

文中把求解数据聚类问题转换为一个图形分割最优问题,提出一种快速的模拟退火算法。实验结果证明,快速模拟退火算法退火时间短,收敛速度快,把它应用于数据聚类中,可以获得较好的聚类结果。     

数据挖掘中的聚类算法

数据挖掘已经被广泛的应用于商业银行,电信行业,心理学,生物医学等各行各业中。由于数据挖掘涉及的学科领域和方法很多,所以就有多种分类方法。这里介绍了聚类方法的要求以及常见的聚类算法。现在还有很多改进的聚类算法,对H-K算法做了主要介绍。     

改进模拟退火算法在模块划分中的研究及应用

模块划分是产品模块化设计的关键技术之一。目前大多采用非数值方法划分模块，数值划分方法主要是使用模拟退火算法或遗传算法。模拟退火算法虽可以一次性得到模块划分最优方案，但是操作困难，效率不高。而遗传算法容易陷入局部最优解。该文在模拟退火算法的基础上，融入遗传算法的种群思想，提出了基于改进模拟退火算法的模块划分方法，研究了其实现的关键技术，并通过VC++6.0将其实现。通过具体的模块划分实例，证实了该方法的高效性和易操作性。     

改进退火遗传算法在SQL数据挖掘参数优化中的应用

针对SQL数据挖掘在复杂动力学系统故障诊断中的模式分类问题,以决策树参数优化为例,开展SQL数据挖掘分类算法参数优化研究。目前数据挖掘中的各类算法参数往往根据经验值设定,预测精度不高;只用遗传算法进行参数优化,分类预测结果容易发生振荡和早熟现象。采用改进的退火遗传算法对SQL数据挖掘中的决策树算法参数进行优化,解决了人工经验设置参数效率低下、精度不高的问题,同时实现了全局搜索,快速收敛到全局最优解。     

Feature Subset Selection within a Simulated Annealing Data Mining Algorithm

An overview of the principle feature subset selection methods isgiven. We investigate a number of measures of feature subset quality, usinglarge commercial databases. We develop an entropic measure, based upon theinformation gain approach used within ID3 and C4.5 to build trees, which isshown to give the best performance over our databases. This measure is usedwithin a simple feature subset selection algorithm and the technique is usedto generate subsets of high quality features from the databases. A simulatedannealing based data mining technique is presented and applied to thedatabases. The performance using all features is compared to that achievedusing the subset selected by our algorithm. We show that a substantialreduction in the number of features may be achieved together with animprovement in the performance of our data mining system. We also present amodification of the data mining algorithm, which allows it to simultaneouslysearch for promising feature subsets and high quality rules. The effect ofvarying the generality level of the desired pattern is alsoinvestigated.     

改进模拟退火算法求解TSP问题

对模拟退火算法进行了改进,从不同的初始状态开始搜索来解决TSP问题,并将计算的结果与遗传算法的计算结果进行比较,优于文献[1]中遗传算法的结果。     

一种自适应的模拟退火算法

提出一种自适应ＳＡ算法,该算法根据邻域搜索进展的反馈信息,自适应确定温度变化和邻域搜索强度。对Ｆｌｏｗ ｓｈｏｐ问题的计算结果表明,该算法基本独立于初始温度的选择,具有较强的鲁棒性。     

Discretisation of Continuous Commercial Database Features for a Simulated Annealing Data Mining Algorithm

An introduction to the approaches used to discretise continuous database features is given, together with a discussion of the potential benefits of such techniques. These benefits are investigated by applying discretisation algorithms to two large commercial databases; the discretisations yielded are then evaluated using a simulated annealing based data mining algorithm. The results produced suggest that dramatic reductions in problem size may be achieved, yielding improvements in the speed of the data mining algorithm. However, it is also demonstrated under certain circumstances that the discretisation produced may give an increase in problem size or allow overfitting by the data mining algorithm. Such cases, within which often only a small proportion of the database belongs to the class of interest, highlight the need both for caution when producing discretisations and for the development of more robust discretisation algorithms.     

求解可满足性问题的改进的模拟退火算法

该文为可满足性问题的高效近似求解提出了改进的模拟退火算法。数值实验表明,对于该文随机产生的测试问题例,改进的模拟退火算法完全胜过局部搜索算法、模拟退火算法以及目前国际上流行的WSAT算法。     

模拟退火算法在电火花加工中的应用

本文提出了一种加工复杂构型整体涡轮通道的创新思路 ,首先建立了电极成形运动的优化模型 ,接着提出了求解这一类优化问题的模拟退火算法 ,并运用实例验证了所提出的这一创新思想及求解算法的可行性及有效性     

基于模拟退火遗传算法的测试数据生成研究

在软件测试中,如何才能生成高效的测试用例一直是人们研究的热点.提出了一种基于模拟退火的遗传算法,用于测试数据的生成.该算法有效克服了传统GA局部搜索能力差和早熟现象.同时也有效改善了SA全局搜索能力差的问题.随后提出了一个基于模拟退火遗传算法的测试数据自动生成的系统框架结构.并重点介绍了如适应度函数选取问题、编码问题和遗传算子改进问题等关键技术.实验结果表明.该苒法运用在测试数据自动生成领域.其效率和效果都优于传统的遗传算法.     

旅行商问题(TSP)的改进模拟退火算法

旅行商问题是一种典型的求解多局部最优的最优化问题：有n个城市,一个旅行者从其中的一个城市出发,经过所有的城市一次并返回出发的城市,求最短的路线。在使用普通的模拟退火算法解决TSP时,一般采用2-opt算法来产生新的解空间,导致算法效率低下。本文提出引入多种算子（如：移位,交换,倒置等等）来产生新解空间。算法的分析和测试结果表明,改进后的模拟退火算法效率明显提高,在收敛性和运算结果上都有较大的进步。     

改进模拟退火算法在TSP中的应用

为了有效优化旅行商问题(TSP)的旅行路径,通过分析传统模拟退火算法的优缺性,提出了一种改进扰动机制并结合分支定界的模拟退火算法。为了弥补模拟退火(SA)算法对初始解的依赖性,该算法首先通过分支定界产生一个较优的初始解,通过对SA温度参数和扰动机制的的有效控制,进行全局优化。采用TSPLIB中的标准库文件验证,测试的数据显示改进的SA算法和传统算法相比较,在针对此类问题的求解上有着良好的性能。