基于蟻群和粒子群混合算法的分類規(guī)則挖掘研究.pdf

1、進化算法（Evolutionary Algorithms;EAs）是具有廣泛適用性的全局優(yōu)化方法，它能夠不受問題性質的限制，擁有自組織、自適應、自學習等優(yōu)點，能夠有效地處理傳統(tǒng)優(yōu)化算法難以解決的復雜問題。粒子群算法（Particle Swarm Optimization;PSO）與蟻群算法（Ant Colony Optimization;ACO）都是新型的進化算法，并都有并行化、正反饋及協(xié)同作用等優(yōu)點，在解決復雜優(yōu)化問題上表現(xiàn)出了良好的

2、適應性，在各種領域中都廣泛被人關注和應用。
　　在數(shù)據挖掘研究領域，粒子群算法與蟻群算法作為尋找最優(yōu)解的方法，在該領域中的應用已逐步引起人們的注意。本文對粒子群算法與蟻群算法在數(shù)據挖掘中的分類規(guī)則挖掘中的應用做了相關研究，對兩種算法在分類規(guī)則挖掘中存在的問題進行了分析，然后在原有的算法上進行了改進。在文章的最后，提出了一種混合 ACO與PSO算法的分類方法。本文的主要研究內容有：
　　首先，針對PSO算法容易陷入局部最優(yōu)的問

3、題，在 PSO算法基礎上進行改進，提出了一種動態(tài)調整種群數(shù)量的策略，讓算法的種群規(guī)模、慣性權重和學習因子這三個參數(shù)都在搜索過程中自適應地改變大小以提高算法的優(yōu)化性能，使得粒子群跳出局部最優(yōu)解的能力增強。實驗表明改進的PSO算法有利于粒子跳出局部最優(yōu)解，改善了粒子群的全局優(yōu)化能力，運用于分類規(guī)則挖掘時，能挖掘出更好的分類規(guī)則。
　　其次，由于ACO算法運用于數(shù)據挖掘時，算法可能陷入局部最優(yōu)，導致算法對最佳規(guī)則的選擇產生誤差，本文分析

4、了該事件發(fā)生的原因，并針對問題在原有的算法基礎上進行了改進。提出了一種新的最佳規(guī)則替代策略，該策略的執(zhí)行有一個先前條件，當此條件滿足時，算法被認為陷入局部最優(yōu)，被篩選出來的最佳規(guī)則就被替換。實驗表明，與原有算法相比，改進的ACO算法在能夠避免算法對最佳規(guī)則的選擇為局部最優(yōu)解，挖掘出來的規(guī)則有更高的分類準確率。
　　最后，在基于PSO算法的分類器中，為了保證數(shù)據的一致性，必須對連續(xù)型數(shù)據離散化處理或者對離散型和名詞型數(shù)據進行映射操作