基于多表达式编程的分类算法研究

论文摘要

数据挖掘技术已成为当今计算机应用领域的研究热点之一。分类算法作为数据挖掘的一个重要分支，在过去十多年中引起了许多不同领域学者的注意。随着数据库规模的急剧膨胀，分类规则挖掘的复杂化，传统的分类算法在挖掘复杂分类问题时已经无法达到满意的效果，而以遗传算法和遗传程序设计为代表的演化算法因其智能性、并行性、不确定性等诸多特点，目前已成为挖掘复杂分类问题的一个新方法。基因表达式编程是遗传程序设计的一个新分支，而多表达式编程是在基因表达式编程的基础上取得的又一新成果。多表达式编程最主要的特点是在一个染色体内包含多个基因，其中每一个基因都可能被选择来表示该染色体。近几年来，多表达式编程已经成功应用到诸多领域，但在数据挖掘领域仍处于初级阶段，将多表达式编程应用到分类问题中是一种有益的尝试。本文主要研究了基于多表达式编程的分类算法。首先，介绍了分类问题的基本概念和多表达式编程的发展历程。其次，通过分析基本的多表达式编程在分类问题中的不足，提出了一种改进算法，该算法在多表达式编程的选择策略、适应度函数和遗传算子等方面进行了改进。最后，根据改进的算法编制了程序并进行了实验，实验结果表明改进的多表达式编程分类算法在分类精度上优于基本的多表达式编程分类算法。本文主要创新点如下：(1)将多表达式编程应用到分类问题中，并得到较好的分类精度和收敛速度。(2)分析了基本的多表达式编程在分类问题中的不足，提出了一种改进的多表达式编程分类算法。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 选题和研究意义
• 1.2 分类问题的概述
• 1.2.1 分类的基本概念
• 1.2.2 分类算法的简介
• 1.3 国内外研究现状
• 1.4 本文主要工作
• 第二章 多表达式编程概述
• 2.1 遗传程序设计（GP）
• 2.2 基因表达式编程（GEP）
• 2.2.1 GEP 的基本原理
• 2.2.2 GEP 算法的基因结构
• 2.2.3 GEP 算法的适应度函数
• 2.2.4 GEP 的遗传操作
• 2.3 多表达式编程（MEP）
• 2.3.1 MEP 的编码方式
• 2.3.2 MEP 算法描述
• 2.3.3 MEP 的适应度函数
• 2.3.4 MEP 的遗传算子
• 2.4 多表达式编程的特点分析
• 2.5 本章小结
• 第三章 改进的 MEP 分类算法
• 3.1 问题的提出
• 3.2 算法的设计
• 3.2.1 编码方式
• 3.2.2 初始化种群
• 3.2.3 选择策略
• 3.2.4 适应度函数
• 3.2.5 遗传算子
• 3.3 算法的描述
• 3.4 本章小结
• 第四章 实验结果及分析
• 4.1 数据预处理
• 4.2 程序的实现
• 4.3 实验与结论
• 4.3.1 实验 1：Iris 数据集
• 4.3.2 实验 2：Pima 数据集
• 4.3.3 实验 3：Glass 数据集
• 4.3.4 结论
• 4.4 本章小结
• 第五章 总结与展望
• 参考文献
• 致谢
• 作者简介
• 攻读硕士学位期间发表的论文和科研成果