蟻群優(yōu)化算法在數(shù)據(jù)挖掘中的應用研究.pdf

1、群居的昆蟲具有很好的群體智能，蟻群算法正是從此仿生學的機理中受到啟發(fā)而提出的一種進化算法或元啟發(fā)算法。它可以很好地解決并優(yōu)化許多復雜的問題，得到了廣泛的應用。本文主要研究應用蟻群算法解決數(shù)據(jù)挖掘領(lǐng)域中的各種問題。我們介紹了蟻群算法求解問題的優(yōu)越性，分析了當前國內(nèi)外在數(shù)據(jù)挖掘各任務(wù)解決上的各種算法，從而提出了利用蟻群算法的特點來解決數(shù)據(jù)挖掘中的聚類問題、分類問題以及關(guān)聯(lián)規(guī)則發(fā)現(xiàn)方面的有效的方法。 在聚類方面，分析了當前存在的經(jīng)典聚

2、類算法以及一些基于螞蟻堆積尸體行為的螞蟻聚類模型，在BM和LF模型中，螞蟻是作為搬運工，通過“pick叩"和“dropdown”的行為將數(shù)據(jù)搬運到合適的地點形成聚類，形成了最初的螞蟻聚類思路。通過研究，我們提出了兩種自適應的聚類算法。首先，設(shè)計了螞蟻活動/睡眠聚類模型ASCM，該模型中，螞蟻作為數(shù)據(jù)的攜帶者從而改進了BM和LF模型。螞蟻通過活動、睡眠兩種狀態(tài)不斷將數(shù)據(jù)聚集成類，算法取得了很好的實驗結(jié)果。其次，通過分析蟻群系統(tǒng)中螞蟻的特點

3、，將螞蟻作為相似數(shù)據(jù)的連接者，提出了一種更為簡單的基于有向圖的自適應螞蟻聚類算法A3CD。將螞蟻在搜索過程中的信息素作為聚類標準，設(shè)計初始信息素有向圖，加強螞蟻搜索的正反饋，在算法中對信息素有向圖不斷的更新，加入白適應的參數(shù)，加快算法執(zhí)行，最后在一定的閾值下獲取該有向圖的強連通分量作為聚類。實驗結(jié)果顯示，與當前的經(jīng)典聚類算法比較，我們的算法具有自組織、自適應、高效率、聚類質(zhì)量高等特點。 對于分類問題，分析了當前存在的不同的分類方

4、法，如基于經(jīng)典決策樹方法的C4.5算法，以及一些基于蟻群算法的分類模型和改進算法，如Ant-Minerl，Ant-Miner2等等。這些都是針對分類規(guī)則的提取來解決數(shù)據(jù)庫中數(shù)據(jù)集分類問題的，針對分類問題的特點和蟻群算法的并行化優(yōu)勢，提出了分類規(guī)則的自適應的并行挖掘模型及算法CRPA。在算法中，結(jié)合了蟻群算法的原理和并行化策略，利用total-class個處理機及螞蟻群對total-class個類的數(shù)據(jù)集進行分類規(guī)則的并行挖掘。并將屬性與

5、屬性值的選擇分離，將剪枝過程融入算法執(zhí)行中，對標準數(shù)據(jù)庫的測試顯示出，算法可以得到比同類算法更好的規(guī)則質(zhì)量和時間效率。 在關(guān)聯(lián)規(guī)則的挖掘問題上，分析了一些經(jīng)典的算法，如Apriori，F(xiàn)Pgrowth法，并首次結(jié)合蟻群算法來解決關(guān)聯(lián)規(guī)則的挖掘。算法中，采取螞蟻對來分別挖掘頻繁項集I1和I2，并分別構(gòu)造規(guī)則的前件和后件，從而構(gòu)造兩條規(guī)則，通過一定的策略來加以取舍。實驗表明，算法可以有效地挖掘關(guān)聯(lián)規(guī)則。 本文研究了蟻群算法在