基于蚁群算法的分类规则发现

论文摘要

群居的昆虫具有很好的群体智能,蚁群算法正是从此仿生学的机理中受到启发而提出的一种进化算法或元启发（metaheuristic）算法。它可以很好地解决并优化许多复杂的问题,得到了广泛的应用。本文主要研究应用蚁群算法解决数据挖掘领域中的分类问题。介绍了蚁群算法求解问题的优越性,分析了当前国内外在数据挖掘分类任务解决上的各种算法,从而提出了利用蚁群算法的特点来解决数据挖掘中分类问题的有效方法。对于分类问题,文章分析了当前存在的不同的分类方法,如基于决策树归纳分类的ID3和C4.5算法、基于人工神经网络分类的BP算法、基于统计的贝叶斯分类方法,以及基于蚁群算法的分类模型及算法如Ant-Miner等等。这些都是针对分类规则的提取来解决数据库中数据集分类问题的,针对分类问题的特点和蚁群算法的正反馈特点,提出了分类规则的自适应的挖掘模型及算法ACR。算法中设计了合理的蚂蚁选择属性及属性分区的概率公式,以及对规则质量的衡量等策略的改进,可以较好的挖掘分类规则。对标准数据库的测试显示出,ACR算法可以得到比C4.5算法和Ant-Miner算法更好的规则质量。本文研究了蚁群算法在数据挖掘领域中的应用,涉及了解决分类问题的蚁群算法,拓展了蚁群算法在数据挖掘中的应用领域。最后展望了未来的相关研究方向,蚁群算法在生物数据库等其它方向的研究前景,为数据挖掘任务的解决提供了一个新的平台。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 研究背景
• 1.2 本文研究的主要内容
• 1.3 论文的组织
• 第二章 分类问题的原理和方法
• 2.1 数据挖掘概述
• 2.2 分类问题概述
• 2.2.1 分类问题的数学描述
• 2.2.2 分类的过程和方法
• 2.2.3 分类问题的预处理
• 2.2.4 分类方法的评价标准
• 2.3 分类问题的实现算法
• 2.3.1 基于决策树的归纳分类
• 2.3.2 基于人工神经网络的分类
• 2.3.3 基于统计的贝叶斯分类
• 2.3.4 其他方法
• 2.4 本章小结
• 第三章 蚁群优化算法
• 3.1 基本的蚁群算法
• 3.1.1 基本蚁群算法原理
• 3.1.2 基本蚁群算法模型及实现
• 3.1.3 基本蚁群算法参数特性
• 3.2 蚁群算法的研究现状
• 3.2.1 Max-Min蚁群算法
• 3.2.2 具有变异特征的蚁群算法
• 3.2.3 分段求解的蚁群算法
• 3.2.4 带杂交算子的蚁群算法
• 3.2.5 随机扰动的蚁群算法
• 3.3 蚁群算法的应用研究
• 3.3.1 在静态组合优化中的应用
• 3.3.2 在动态组合优化中的应用
• 3.3.3 在求解连续空间优化问题中的应用
• 3.3.4 在其他领域的应用
• 3.4 蚁群算法的优点及存在的问题
• 3.5 本章小结
• 第四章 基于蚁群算法的分类规则发现
• 4.1 背景介绍
• 4.2 分类规则的蚁群挖掘算法
• 4.2.1 基于蚁群算法的分类模型
• 4.2.2 改进算法ACR的框架
• 4.2.3 算法的实现
• 4.2.3.1 选取term（属性和属性分区）的概率公式
• 4.2.3.2 基于贝叶斯的属性选择启发式公式
• 4.2.3.3 信息素更新
• 4.2.3.4 启发式因子
• 4.2.3.5 规则质量的衡量
• 4.2.3.6 规则修剪
• 4.2.4 实验结果与分析
• 4.3 本章小结
• 第五章 结论
• 致谢
• 参考文献
• 附录