基于并行蚁群优化的分类技术应用研究

摘要

数据库内容非常丰富,其中蕴藏着大量的信息,而分类是一种数据分析的形式,分类分析已经成为数据挖掘技术中重要而且热门的研究领域之一,其目标就是根据已有的数据分类归纳出每类的一般性的描述。2002年Rafael S.Parpinelli在他的文章[1]中首次提出了基于蚁群优化(Ant Colony Optimization)的分类算法--蚂蚁矿工算法(Ant-miner)。他的这篇论文开辟了蚁群算法应用的一个新领域,同时也开创了分类算法的一个新的里程碑。然而Ant-miner算法存在着早熟与陷入局部最优的缺陷,针对这些缺陷本文在Ant-miner算法的基础上提出了基于并行蚁群优化的分类算法IMACO(Interacted Multiple Ant Colonies Optimization),新算法在原算法的基础上做了以下三点改进:
　　 1)采用多重信息素,每一种信息素都只允许构建一个类别,蚂蚁先选择分类类别,然后释放相应的信息素。
　　 2)对状态转移规则的改进:引入伪随机概率转移规则,替换Ant-miner算法中的随机概率转移规则。
　　 3)引入相关度的概念来衡量规则的分布均匀程度,从而达到动态调整路径选择策略的目的。实验结果表明,改进后的新算法不仅在分类预测精度上要高于原算法而且得到的分类规则也比原算法简单。
　　 文章最后使用UCI标准数据库中的四个数据对该算法进行了检验,实验结果表明该算法与原算法相比在分类的准确度上有一定提高,所得到的分类规则也更简洁。

目录

文摘

英文文摘

第1章 绪论

1.1 研究背景

1.2 研究意义、目的

1.3 本文主要内容和结构

第2章 基本蚁群优化算法模型及其改进算法

2.1 引言

2.2 蚁群优化(ACO)算法基本原理及其实现

2.3 基于AS算法的几种改进算法

第3章 数据分类算法

3.1 数据挖掘技术概述

3.2 数据挖掘的功能

3.3 分类规则挖掘常用算法

3.4.Ant-miner算法

3.5 本章总结

第4章 基于多目标并行蚁群优化(IMACO)的分类算法

4.1 IMACO的提出背景

4.2 IMACO算法模型的建立

4.3 IMACO算法参数的选取规则

4.4 实验结果与分析

第5章 结束语

5.1 本文所做的主要工作

5.2 展望

参考文献

附录1 :Tic-tac-toe实验结果

附录2 :Car Evaluation实验结果

附录3 :Nursery实验结果

致谢