论文摘要
粒子群优化算法是一种基于群体的智能优化算法,它是通过模拟鸟群的行为来解决最优化问题。粒子群优化在电子、通信、控制等诸多领域中有着广泛的应用和发展。其利用群体的优势为许多复杂问题的求解提供了新的手段,所以研究和掌握它的特性与规律,是一个具有重要意义的课题。对于人类来说,识别字体,数字,声音等等都是比较容易的。但是让计算机解决这一类的问题却是一个非常困难的事情。模式识别就是把目标对象分成不同的种类的学科,它是人工智能和计算机视觉的基本组成部分。聚类分析是模式识别范畴中的一个重要分支,是一种无监督的模式识别方法,在许多领域被广泛地应用。随着计算机技术的发展,将传统的聚类技术与现代优化方法相结合成为一种新趋势。近几十年来,面对信息时代海量数据的出现,数据挖掘技术应运而生并得到迅猛发展,其中关联规则挖掘作为数据挖掘的重要模式之一,它所得到的知识能为支持决策提供依据,有着极其重要的研究价值。在基本离散粒子群算法的基础上,给出了一种改进的算法,并将其应用到关联规则挖掘领域。给出了一种基于PSO（Particle Swarm Optimization）的聚类算法,通过在Iris等数据集的实验结果表明,PSO算法相比传统的K-means算法,能有效提高聚类的质量,同时也降低了聚类错误率。给出一种基于粒子群算法的混合优化关联规则挖掘技术,包括粒子的编码,群体的初始化,适应度的计算以及位置的更新。接着又对算法进行了改进,引入多群体及遗传算法中的选择机制,形成一种新的多群体混合粒子群算法。通过在微软数据库mushroom上进行了一个挖掘试验,将MHPSO算法和遗传算法进行比较,结果表明,该算法具有良好的性能和表现。