利用遗传算法提取符号值分类规则

论文摘要

遗传算法是一种抽象于生物体的进化过程,通过全面模拟自然选择和遗传机制,形成的全局优化搜索算法。在进化过程中,性能好的个体以更高的概率被选择,主要通过交叉和变异操作,形成新一代性能更好的个体。进化终止时的最优个体通常被认为是问题的最终解。遗传算法已经被广泛应用于多种优化问题,机器学习,模式识别等领域。本文利用遗传算法来解决符号学习问题,即从符号值数据集中抽取归纳出if-then规则。本文采用的是传统的Pittsburgh方法,即一条染色体表示一个规则的集合,种群中的染色体互相竞争,进化终止时的最优染色体即最优规则集。该方法的代表性系统是GAssist系统,本文对该系统进行了如下进一步研究。为了提高规则集合的泛化能力和系统效率,本文提出了一种新的种群初始化方法,引入了适应值尺度变换；在GAssist系统发展过程中,等级选择算子被抛弃,本文对它进行了改进,重新引入到系统中；提出了一种新的GA迭代终止标准；对适应度函数的不合理之处进行了修正,最后对适应度函数进行了进一步的改进,即在评价规则集合的整体性能时,考虑到单条规则的性能,实验证明,改进后系统的性能和效率都得到了提高。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 研究背景与意义
• 1.2 本课题的国内外发展现状
• 1.3 本课题研究的主要内容
• 1.4 本文组织
• 第2章 遗传算法介绍
• 2.1 遗传算法简介
• 2.2 一个利用遗传算法提取符号值分类规则的例子
• 第3章 利用遗传算法提取符号值分类规则算法
• 3.1 PITTSBURGH方法
• 3.1.1 GABIL系统
• 3.1.2 GAssist系统
• 3.1.3 GIL系统
• 3.2 其它方法
• 3.2.1 Michigan方法
• 3.2.2 Iterative Rule Learning方法
• 3.2.3 YUAN方法
• 第4章 利用遗传算法提取符号值分类规则算法改进
• 4.1 提高规则集的泛化能力和系统效率
• 4.1.1 一种新的种群初始化方法
• 4.1.2 引入适应值尺度变换
• 4.1.3 改进的等级选择算子
• 4.1.4 新的GA终止标准
• 4.1.5 实验结果及分析
• 4.2 适应度函数的改进
• 4.2.1 基于MDL的适应度函数分析
• 4.2.2 对基于MDL的适应度函数的修正
• 4.2.3 对基于MDL的适应度函数的改进
• 4.3 实验结果及分析
• 第5章 总结与展望
• 参考文献
• 攻读硕士学位期间科研工作情况
• 致谢