基于進(jìn)化計(jì)算的復(fù)雜分類算法研究及應(yīng)用.pdf

1、近年來(lái),隨著信息技術(shù)的飛速發(fā)展,人們積累的數(shù)據(jù)急劇增長(zhǎng)。數(shù)據(jù)挖掘提供了從大型數(shù)據(jù)庫(kù)中自動(dòng)抽取潛在的有用信息的方法。進(jìn)化計(jì)算作為一種新的智能優(yōu)化技術(shù),已廣泛運(yùn)用于數(shù)據(jù)挖掘任務(wù)中。本論文針對(duì)數(shù)據(jù)挖掘中的復(fù)雜分類任務(wù),應(yīng)用混合進(jìn)化、多目標(biāo)進(jìn)化以及遺傳規(guī)劃技術(shù),對(duì)分類規(guī)則學(xué)習(xí)、遺傳規(guī)劃分類和特征選擇問(wèn)題進(jìn)行了深入系統(tǒng)的研究。主要研究?jī)?nèi)容和創(chuàng)新性工作包括:
　　 (1)介紹了數(shù)據(jù)挖掘技術(shù)的主要方法和研究熱點(diǎn),評(píng)述了分類任務(wù)中的主要問(wèn)題和研

2、究進(jìn)展,概括了進(jìn)化計(jì)算理論基礎(chǔ)、整體框架以及最新研究進(jìn)展。
　　 (2)提出了基于混合進(jìn)化算法的模糊分類器學(xué)習(xí)算法。該算法采用全新的小生境技術(shù)保持種群的多樣性,通過(guò)單次運(yùn)行進(jìn)化算法獲得模糊分類器所需的所有規(guī)則；此外,算法針對(duì)進(jìn)化算法較弱的局部?jī)?yōu)化能力,使用了一種模糊規(guī)則局部搜索方法,能有效的提高模糊規(guī)則的適應(yīng)值。實(shí)驗(yàn)表明,局部搜索方法在進(jìn)化過(guò)程中能夠有效的提高整個(gè)種群的適應(yīng)值,算法能獲得低復(fù)雜度、高預(yù)測(cè)精度的模糊分類器。

3、　　 (3)提出了基于遺傳規(guī)劃的判別分類算法。基于遺傳規(guī)劃的分類算法能夠很好的處理兩分類問(wèn)題,然而在處理多分類問(wèn)題時(shí)具有一定的局限性。針對(duì)多分類任務(wù),提出了一種新的遺傳規(guī)劃分類模型——判別分類模型；新模型以最小化誤差平方為優(yōu)化目標(biāo),能夠產(chǎn)生高預(yù)測(cè)精度的分類器。為了進(jìn)一步提高預(yù)測(cè)精度,還提出了判別分類模型的集成算法。實(shí)驗(yàn)結(jié)果表明,判別分類模型具有較強(qiáng)的樣本分類能力,集成算法能進(jìn)一步有效的提高模型的預(yù)測(cè)精度。
　　 (4)提出了基

4、于多目標(biāo)進(jìn)化計(jì)算的特征選擇算法。在特征選擇任務(wù)中,需要考慮兩個(gè)重要因素:特征相關(guān)度與特征冗余度。在分析了基于互信息的啟發(fā)式特征選擇算法的基礎(chǔ)上,提出了一種新的特征冗余度計(jì)算方法,采用與類別相關(guān)的互信息評(píng)價(jià)特征子集的內(nèi)部冗余信息;然后使用多目標(biāo)進(jìn)化算法完成特征子集相關(guān)度最大化與冗余度最小化的優(yōu)化任務(wù)。實(shí)驗(yàn)結(jié)果表明,將新冗余度應(yīng)用于啟發(fā)式特征選擇算法中,能夠提高被選特征子集的質(zhì)量；而多目標(biāo)進(jìn)化算法能夠克服傳統(tǒng)啟發(fā)式算法的局限,獲得判別能力更