蚁群算法中基于信息增益的信息素值的分析与改进

蚁群算法中基于信息增益的信息素值的分析与改进

论文摘要

蚁群算法是一种仿生的启发式搜索算法,是群智能算法的一种,来源于对自然界蚂蚁寻找从蚁巢到食物的最短路径行为的研究,已成功地应用于复杂组合优化问题的求解,并且越来越得到广泛的应用。数据分类一直是数据挖掘领域中的一个重要分支,随着信息技术和互联网的飞速发展,传统的方法己经不能满足人们的需要,因此需要一些新的数据分析技术。而针对目前数据的新特点,分布广,动态性,粗糙性等,一些智能化的数据挖掘技术便应运而生。因此将蚁群算法用于分类规则的挖掘研究具有十分重要的意义。本文研究了基于TSP的基本蚁群算法和基于分类的Ant Miner算法,并在此基础上提出了一种改进算法——基于信息增益的信息素值的修改的蚁群算法。主要创新之处就是:改变了原有算法中,信息素初值相同的情况,利用属性的信息增益对属性进行排序,根据排序结果,信息增益值高的属性赋予高的信息素初值,信息增益值低的属性赋予低的信息素初值。并且相应的修改概率选择公式和信息素更新公式。然后通过对比实验,表明该算法能够发现更好的分类规则,包括更强的预测能力,有更少的规则集以及更简单的规则。最后将基于单一数据库的改进方法引入到分布式数据库中,并结合局部和全局信息素概念,提出了一种新的基于分布式数据库的蚁群挖掘算法。

论文目录

  • 摘要
  • ABSTRACT
  • 目录
  • 1 绪论
  • 1.1 选题背景和研究意义
  • 1.2 发展和国内外研究现状
  • 1.3 课题提出
  • 1.4 论文的内容和结构安排
  • 2 基于TSP的基本蚁群算法
  • 2.1 蚁群算法的生物学特征
  • 2.2 基于TSP的基本蚁群算法
  • 3 基于分类的基本ANT MINER算法
  • 3.1 数据挖掘相关知识
  • 3.2 分类和分类规则概念
  • 3.3 基本的ANT MINER算法
  • 4 单一数据库中的ANT MINER算法改进
  • 4.1 改进的算法
  • 4.2 仿真实验
  • 5 分布式数据库中的ANT MINER算法
  • 5.1 分布式数据库相关知识
  • 5.2 基于分布式数据库的ANT MINER算法
  • 5.3 改进算法
  • 5.4 模拟实验
  • 6 总结与展望
  • 6.1 总结
  • 6.2 后续工作和展望
  • 参考文献
  • 致谢
  • 相关论文文献

    • [1].特定信息增益决策森林分类器研究[J]. 计算机工程与应用 2010(26)
    • [2].基于数字几何信息增益的服装3D人体特征识别[J]. 北京服装学院学报(自然科学版) 2016(02)
    • [3].代价敏感属性中对数加权算法和信息增益算法的比较[J]. 湖北农机化 2020(15)
    • [4].可信网络中基于动态信息增益的多维属性决策[J]. 计算机应用研究 2012(01)
    • [5].基于信息增益特征选取和覆盖的中文文本分类[J]. 福建电脑 2008(07)
    • [6].信息增益决策树在反恐情报分析中的应用研究[J]. 情报科学 2018(04)
    • [7].基于信息增益和基尼不纯度的K近邻算法[J]. 计算机技术与发展 2019(09)
    • [8].基于PCA和信息增益的肿瘤特征基因选择方法[J]. 河南师范大学学报(自然科学版) 2018(02)
    • [9].基于属性相关分析中的信息增益计算——五年制高职与三年制高职教育的比较[J]. 科技创新导报 2008(27)
    • [10].基于改进信息增益特征选择法的SVM中文情感分类算法[J]. 成都理工大学学报(自然科学版) 2019(01)
    • [11].基于信息增益的文本特征选择方法[J]. 计算机科学 2012(11)
    • [12].基于改进信息增益的ACO-WNB分类算法研究[J]. 计算机仿真 2019(01)
    • [13].基于改进信息增益的特征选择方法研究[J]. 萍乡学院学报 2019(03)
    • [14].改进信息增益的维吾尔文特征选择方法[J]. 计算机工程与应用 2017(23)
    • [15].运用信息增益和不一致度进行填补的属性约简算法[J]. 计算机科学 2018(10)
    • [16].基于信息增益特征关联树的文本特征选择算法[J]. 计算机科学 2013(10)
    • [17].基于段落信息增益的政策文本主题识别研究[J]. 数字图书馆论坛 2018(11)
    • [18].基于信息增益比率分类的多Agent序贯拍卖模型[J]. 南阳理工学院学报 2011(06)
    • [19].基于信息增益与语义特征的多标签社交网络用户人格预测[J]. 吉林大学学报(理学版) 2016(03)
    • [20].融合CHI与信息增益的情感文本特征选择[J]. 西安工程大学学报 2018(06)
    • [21].基于信息增益的中医体质多标记分类方法研究[J]. 中国中医药信息杂志 2019(06)
    • [22].基于半监督学习和信息增益率的入侵检测方案[J]. 计算机研究与发展 2017(10)
    • [23].基于数据驱动与信息增益率多指标决策模型的生活饮用水水质评估[J]. 大连理工大学学报 2016(01)
    • [24].基于信息增益的SFT中故障影响因素降维方法研究[J]. 安全与环境学报 2018(05)
    • [25].基于信息增益的特征选择在烟丝致香成分中的应用[J]. 现代电子技术 2012(18)
    • [26].基于信息增益的文本特征权重改进算法[J]. 计算机工程 2011(01)
    • [27].信息增益对于提取新闻特征向量的优势[J]. 新媒体研究 2016(05)
    • [28].基于贡献因子的改进决策树属性选择方法[J]. 汕头大学学报(自然科学版) 2013(01)
    • [29].基于信息增益的中文网页SVM分类研究[J]. 上海师范大学学报(自然科学版) 2013(03)
    • [30].基于Bayesian证据推断与信息增益的参数化有限元修正模型选择[J]. 振动与冲击 2018(12)

    标签:;  ;  ;  ;  

    蚁群算法中基于信息增益的信息素值的分析与改进
    下载Doc文档

    猜你喜欢