蚁群算法在加权关联规则挖掘中的研究与实现

论文摘要

蚁群算法是一种基于群体智能原理的优化算法,来源于对自然界蚂蚁寻找从蚁巢到食物的最短路径行为的研究。它在求解复杂组合优化问题上显示出强大的优势,已经成功解决过旅行商问题、分配问题、调度问题和集合覆盖问题等。蚁群算法具有正反馈性、并行性、分布性和自组织性等特点,可根据不同问题的内在启发式信息逐步构建可行解。对蚁群算法的研究已经显示出它在求解复杂优化问题方面的一些优越性,证明它是一种很有发展前景的方法。关联规则挖掘是数据挖掘的一个重要研究方向,关联规则挖掘算法已经得到广泛的重视和研究。传统的关联规则挖掘算法认为数据库中各个项的重要程度相同,然而在现实中各个项的重要性往往不同。例如,决策者往往会优先考虑利润较高的项目,而忽略利润较低的项目。因此,在分析数据时,加权关联规则挖掘更加具有实际意义。综合考虑蚁群算法在求解复杂优化问题的优越性和加权关联规则挖掘在分析数据时的必要性。本文提出了基于蚁群算法的加权关联规则挖掘方法,并与Apirori算法和加权关联规则挖掘方法进行比较。实验证明该方法能快速有效地挖掘重要的关联规则。

论文目录

• 摘要
• ABSTRACT
• 目录
• 1 绪论
• 1.1 选题背景和研究意义
• 1.2 课题的提出
• 1.3 论文的组织结构
• 2 数据挖掘及其关联规则挖掘技术
• 2.1 数据挖掘与知识发现
• 2.2 数据挖掘的分析方法
• 2.3 关联规则的基本概念
• 2.4 关联规则挖掘的经典算法及其改进算法
• 2.5 关联规则挖掘技术的研究方向
• 2.6 本章小结
• 3 加权关联规则挖掘及其改进方法
• 3.1 加权关联规则中的支持度和置信度
• 3.2 加权关联规则挖掘的改进方法
• 3.3 本章小结
• 4 蚁群算法描述及其分析
• 4.1 蚁群算法的基本原理
• 4.2 蚁群算法的发展
• 4.3 蚁群算法参数选择原则
• 4.5 基本蚁群算法的优缺点
• 4.6 本章小结
• 5 基于蚁群算法的加权关联规则挖掘（ACO-WRAM）
• 5.1 适应度函数
• 5.2 规则的构建
• 5.3 信息素的更新
• 5.4 算法流程与框图
• 5.5 实验结果与分析
• 5.6 本章小结
• 6 结论与展望
• 参考文献
• 在读期间发表论文清单
• 致谢