基于多Agent的企业分布式关联规则发现研究

摘要

如何从分布式数据库中发现所需的知识逐渐成为现代企业迫切需要解决的问题。考虑到企业经营数据的安全性、保密性和一致性特点以及企业对知识的实时性和准确性要求，分布式知识发现系统将比数据仓库更适合现代企业。然而，现存的分布式知识发现系统还存在一些问题，例如：只考虑本地和全局知识挖掘，忽略了区域知识在企业管理中的作用；直接在操作型数据上进行OLAP操作，影响OLTP的吞吐率；只给出模型架构，未针对具体问题给出相应算法。
　　 为解决上述问题，本文以多Agent系统相关知识为背景，以企业分布式关联规则挖掘为研究对象，以提高企业分布式关联规则挖掘效率及挖掘知识的全面性为研究目的，主要完成了以下工作：
　　 (1)建立了分布式知识发现模型，挖掘企业中的全局知识、各级区域知识及本地知识。以多Agent技术为基础，设计企业知识发现多级模型，除挖掘全局知识及本地知识外，亦可根据用户定义，挖掘出区域知识，供各级管理者快速决策。
　　 (2)针对知识发现模型，提出了挖掘请求分解方法及子任务调度算法，应用到管理Agent中以实现对挖掘请求的分解及对子任务的调度；
　　 (3)给出了基于FP-tree的最大频繁项集挖掘算法，并结合分布式挖掘算法应用至知识发现模型中。
　　 (4)给出了区域/全局最大频繁项集挖掘算法，并应用到知识聚集Agent中。
　　 最后，本文以合肥铁路机务段材料库记录为实验数据，利用JADE和Eclipse搭建出多Agent平台，在局域网内实现了原型系统，证明了分布式关联规则发现系统的有效性。

目录

文摘

英文文摘

论文说明：图表目录

声明

致谢

第1章绪论

1.1 研究背景

1.2 国内外研究现状

1.2.1国外研究现状

1.2.2国内研究现状

1.3 研究内容与章节安排

第2章相关理论与方法

2.1 最大频繁项集挖掘理论与方法

2.1.1数据挖掘简介

2.1.2概念及性质

2.1.3最大频繁项集挖掘方法

2.2 分布式数据挖掘相关理论与方法

2.2.1概念与性质

2.2.2全局最大频繁项集挖掘方法

2.3 MAS相关理论与方法

第3章分布式关联规则知识发现模型

3.1 基于多Agent的分布式关联规则发现模型

3.2 管理Agent

3.3 执行Agent

3.4 知识聚集Agent

第4章分布式关联规则知识发现模型相关算法

4.1 任务调度算法-TSA算法

4.2 关联规则挖掘算法-DMFIF算法

4.2.1最大频繁项集候选项集(MFCS)

4.2.2排序策略

4.2.3剪枝策略

4.2.4 DMFIF算法

4.2.5算法实现与比较

4.3 知识聚集算法-KI算法

4.3.1算法描述

4.3.2算法实现与比较

第5章原型系统实现

5.1 背景与目的

5.2 实现方案及工具选择

5.3 系统实现

5.4 实验分析

第6章结论与展望

6.1 结论

6.2 展望

参考文献

攻读硕士学位期间发表的论文和参加的科研项目