基于改进遗传算法的分类系统研究

论文摘要

数据分类一直是数据挖掘研究领域中的核心问题。在数据分类中,遗传算法是应用较为广泛的一种分类算法。Holland提出的基于遗传算法的分类系统作为第一个基于遗传算法的机器学习系统,从诞生开始就备受关注。目前,遗传算法在分类学习中的应用仍是数据分类中的研究热点。本文通过对分类系统和遗传算法的理论技术进行研究分析,发现以下问题。一方面,遗传算法作为一种基于生物进化论和分子遗传学的全局随机搜索算法,其显著特点是具有隐含并行性和对全局信息的有效利用能力,但对于系统中的反馈信息利用却无能为力,当求解到一定范围时往往做大量无为的冗余迭代,具有求精确解效率低,局部搜索能力弱、易出现“早熟”现象等缺点;另一方面,基于遗传算法的分类系统的分类准确率不高。针对上述问题,本文研究了分类系统中遗传分类算法的改进策略。首先,将遗传算法的解空间进行均匀划分并采用蚁群信息素对每个子空间进行标定,利用留存的信息素控制选择操作。其次,设计了双重选择算子、基于“杂交优势”思想的交叉算子和自适应变异算子。然后,将改进的遗传算法应用于分类系统中。最后,通过实验对分类系统的分类准确率、算法运行时间、算法收敛性等方面的性能进行测试,并对结果数据做相应分析。实验表明,基于改进遗传算法的分类系统在以上三方面均有明显提高。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 引言
• 1.2 国内外研究现状
• 1.3 研究意义及热点
• 1.4 研究内容及论文结构
• 第2章 分类系统研究与分析
• 2.1 数据分类概述
• 2.1.1 分类定义与描述
• 2.1.2 分类规则的表示
• 2.1.3 分类数据的预处理
• 2.2 常用分类算法
• 2.2.1 贝叶斯分类算法
• 2.2.2 决策树分类算法
• 2.2.3 基于神经网络的分类算法
• 2.3 分类算法评价
• 2.3.1 分类算法评价标准
• 2.3.2 分类算法评价方法
• 2.4 本章小结
• 第3章 遗传算法研究与分析
• 3.1 遗传算法基本原理
• 3.2 遗传算法构成要素
• 3.2.1 编码方法
• 3.2.2 适应度函数
• 3.2.3 选择算子
• 3.2.4 交叉算子
• 3.2.5 变异算子
• 3.3 遗传算法流程描述
• 3.4 遗传算法的数学理论
• 3.4.1 模式定理
• 3.4.2 遗传算法收敛性
• 3.4.3 其它遗传理论
• 3.5 遗传算法的高级实现技术
• 3.5.1 倒位算子
• 3.5.2 小生境技术
• 3.5.3 二倍体与显性操作算子
• 3.6 遗传算法的特点
• 3.7 本章小结
• 第4章 基于改进遗传算法的分类系统建立
• 4.1 遗传算法的改进策略分析
• 4.1.1 改变遗传算法的组成成分或使用技术
• 4.1.2 采用非标准的遗传操作算子
• 4.1.3 混合遗传算法
• 4.2 蚁群信息素在遗传算法中的使用
• 4.2.1 智能蚁群算法原理
• 4.2.2 遗传算法解空间的划分
• 4.2.3 确定初始种群与标定子空间
• 4.2.4 子空间信息素更新
• 4.2.5 基于蚁群信息素的选择算子
• 4.3 遗传算法的改进策略
• 4.3.1 双重选择算子
• 4.3.2 基于杂交优势的交叉算子
• 4.3.3 自适应变异算子
• 4.3.4 改进遗传算法描述
• 4.4 分类系统建立
• 4.4.1 分类规则编码
• 4.4.2 分类系统中的适应度函数
• 4.4.3 分类系统模型
• 4.5 本章小结
• 第5章 实验结果与分析
• 5.1 实验环境与数据
• 5.2 实验结果及比较分析
• 5.2.1 分类规则准确率
• 5.2.2 求解时间
• 5.3 本章小结
• 结论
• 参考文献
• 攻读硕士学位期间发表的论文和取得的科研成果
• 致谢
• 个人简历