遗传算法在数据挖掘中的应用研究

论文摘要

近来,随着数据库技术和海量存储器等硬件的快速发展,人们收集数据的能力得到了进一步的提高。面对信息时代海量数据的出现,如何有效地利用巨量的原始数据分析现状以预测未来,已经成为人类面临的一大挑战。由此,数据挖掘技术应运而生并得以迅猛发展,目前,数据挖掘已经成为一个研究热点。鉴于遗传算法在数据挖掘中优越性,本文主要做了如下工作:（1）首先介绍了数据挖掘的基本概念、原理,以及常用的数据挖掘算法和对这些常用算法的性能分析,紧接着介绍了遗传算法的基本概念和基本原理,以及经典遗传算法的基本流程和算法分析,为后续的工作提供理论依据和实验基础。（2）提出了一种基于改进遗传算法的聚类模式数据挖掘方法（IGAOC）,以超市销售系统为背景,根据超市一段时间的销售情况,利用该算法对其数据库的信息进行聚类分析,从而预测出销售情况较好的商品类型,得到了一些潜在的具有应用价值的信息,并为超市的销售发展提供了一定的指导意义。实验表明,该算法收敛较K-means算法慢,算法的使用时间优于传统的K-means算法。（3）提出了一种基于免疫遗传算法的数据挖掘方法,就是在应用遗传算法进行数据挖掘的基础上,对遗传算法进行改进,引入免疫算子解决遗传算法中的“早熟”现象。利用该算法能够实现客户关系管理（CRM）,以上述IGAOC方法挖掘得出的结果为例,因为对于很多同类型的商品来说,供货商肯定不止一家,该方法就是对同类型商品的供货商的基本信息数据库进行挖掘,计算出能使超市盈利最大的供货商,从而锁定这些客户,为超市赢取最大的利益。通过实验表明,该算法具有很强的鲁棒性和隐含并行性,能快速、有效地进行全局搜索,是处理大规模数据的有效方法,不仅克服了遗传算法的“早熟”现象,也大大提高了搜索效率。

论文目录

• 摘要
• ABSTRACT
• 插图索引
• 附表索引
• 第1章 绪论
• 1.1 选题背景与意义
• 1.1.1 数据挖掘技术的产生及研究现状
• 1.1.2 遗传算法与数据挖掘
• 1.2 研究目标及主要内容
• 1.3 本文的章节安排
• 第2章 数据挖掘技术概述
• 2.1 数据挖掘的定义
• 2.2 数据挖掘的分析方法
• 2.3 数据挖掘的方法与技术
• 2.4 数据挖掘的过程与工具
• 2.4.1 数据挖掘过程
• 2.4.2 数据挖掘工具
• 2.5 数据挖掘的发展及应用状况
• 第3章 遗传算法的基本原理
• 3.1 引言
• 3.2 遗传算法基础
• 3.2.1 遗传算法的产生及发展
• 3.2.2 遗传算法的基本思想和术语
• 3.2.3 遗传算法的基本特征
• 3.3 遗传算法的组成
• 3.3.1 染色体编码方法
• 3.3.2 适应度函数
• 3.3.3 遗传算子
• 3.3.4 控制参数选择
• 3.3.5 终止条件
• 3.4 应用流程及算法
• 3.4.1 遗传算法的应用流程
• 3.4.2 遗传算法的算法描述
• 3.5 小结
• 第4章 基于改进遗传算法的聚类模式数据挖掘方法
• 4.1 引言
• 4.2 聚类的定义
• 4.3 聚类分析的基本知识
• 4.4 聚类算法的分类
• 4.5 基于改进遗传算法的聚类方法
• 4.5.1 编码方式与种群初始化的改进
• 4.5.2 适应度函数的改进
• 4.5.3 选择算子的改进
• 4.5.4 交叉操作的改进
• 4.5.5 变异操作的改进
• 4.6 应用实例
• 4.6.1 主题域的确定
• 4.6.2 模型的构建
• 4.6.3 实际表的构建
• 4.6.4 粒度的构建
• 4.6.5 维度表的构建
• 4.6.6 结果分析
• 第5章 用遗传算法实现客户关系管理中的数据挖掘
• 5.1 引言
• 5.2 客户关系管理
• 5.3 引入免疫算子遗传算法
• 5.4 应用实例
• 5.5 小结
• 总结与展望
• 全文总结
• 研究前景与展望
• 参考文献
• 致谢
• 附录A 攻读学位期间发表的论文