基于改進(jìn)群體智能算法的數(shù)據(jù)分類學(xué)習(xí)模型研究.pdf

1、海量數(shù)據(jù)時(shí)代，人們對于能夠自動(dòng)地、智能地把數(shù)據(jù)轉(zhuǎn)化為有用知識的技術(shù)有著迫切的需求，這種需求促進(jìn)了數(shù)據(jù)挖掘技術(shù)的快速發(fā)展。數(shù)據(jù)分類是數(shù)據(jù)挖掘的一項(xiàng)重要任務(wù)，它可以用來挖掘重要數(shù)據(jù)類的模型以及預(yù)測數(shù)據(jù)的未來趨勢。數(shù)據(jù)分類在人工智能、網(wǎng)絡(luò)金融、模式識別、機(jī)器學(xué)習(xí)等領(lǐng)域已經(jīng)展開了廣泛的研究，并產(chǎn)生了眾多的分類建模算法。雖然數(shù)據(jù)分類在理論和技術(shù)方面己經(jīng)取得一定的突破，但它仍然存在一些問題，主要包括：分類建模算法的準(zhǔn)確性和有效性、分類規(guī)則的可理解性

2、等。傳統(tǒng)分類建模算法在預(yù)測精度、可擴(kuò)展性、高效性等方面都面臨著巨大的挑戰(zhàn)。由于數(shù)據(jù)分類是通過訓(xùn)練集合來構(gòu)建分類模型，即通過分類算法尋找出最能代表訓(xùn)練數(shù)據(jù)的分類規(guī)則集合，這是一個(gè)逐步尋優(yōu)的過程，因此許多研究者將群體智能算法應(yīng)用于分類學(xué)習(xí)模型構(gòu)建并取得了一些成果。群體智能算法是模擬自然界中種群通過個(gè)體之間的相互協(xié)作去解決一個(gè)復(fù)雜問題的過程，該算法具有潛在的并行性和較強(qiáng)的魯棒性，而且算法不依賴于具體問題?；谌后w智能算法的分類學(xué)習(xí)模型構(gòu)建已經(jīng)

3、成為近年來數(shù)據(jù)挖掘領(lǐng)域的研究熱點(diǎn)。
　　本論文將群體智能算法中比較有代表性的蟻群算法和基因表達(dá)式編程算法（Gene Expression Programming,GEP）引入數(shù)據(jù)分類挖掘中，主要對基于傳統(tǒng)蟻群分類算法和基本GEP的分類學(xué)習(xí)模型構(gòu)建問題進(jìn)行了研究，分別從不同的角度對這兩種算法進(jìn)行了改進(jìn)，提出了新型蟻群分類建模算法Ant-MinerPAE和改進(jìn)的基因表達(dá)式編程算法IGEP，并通過多組實(shí)驗(yàn)驗(yàn)證了該改進(jìn)算法在分類學(xué)習(xí)模型構(gòu)

4、建上的有效性。本論文的主要研究工作如下：
　?。?）介紹了數(shù)據(jù)分類問題的定義、原理及實(shí)現(xiàn)方法，分析了常見分類建模算法的不足之處，然后研究了蟻群算法的思想來源和核心步驟，深入研究了傳統(tǒng)的蟻群分類算法Ant-Miner，并追蹤了蟻群分類算法的發(fā)展歷程。為了避免算法過早收斂陷入局部最優(yōu)解，提出了一種基于信息素吸引與排斥原則改進(jìn)的蟻群算法，設(shè)計(jì)了新的信息素計(jì)算方法及概率轉(zhuǎn)移公式，調(diào)整了算法迭代的次序，螞蟻在搜索過程中的信息素既包含吸引部分

5、，又包含排斥部分，該方法可以平衡螞蟻在構(gòu)建模型過程中的探索與開發(fā)的關(guān)系，使得螞蟻在搜索過程初期傾向于探索，在搜索過程后期傾向于開發(fā)。
　?。?）為了證明本論文改進(jìn)蟻群算法的有效性，將該算法應(yīng)用于分類問題建模，同時(shí)在考慮規(guī)則之間相互影響的基礎(chǔ)上，提出了一種新型蟻群分類建模算法Ant-MinerPAE，然后利用UCI的12組公共數(shù)據(jù)集進(jìn)行了分類實(shí)驗(yàn)，將實(shí)驗(yàn)結(jié)果和其他常見的一些分類挖掘算法如CN2、C4.5rules、PSO/ACO2、

6、Ant-Miner、cAnt-MinerPB等進(jìn)行了比較。實(shí)驗(yàn)結(jié)果表明，該算法在預(yù)測精度和規(guī)則簡潔性方面具有一定的優(yōu)勢。
　?。?）深入研究了GEP的思想及基本GEP的缺點(diǎn)，針對基本GEP進(jìn)行建模時(shí)容易受到噪聲干擾，導(dǎo)致過早收斂，陷入局部極值等問題，本論文提出了一種改進(jìn)的GEP算法（IGEP），增加了“基因提取”、“基因翻轉(zhuǎn)”和“基因動(dòng)態(tài)調(diào)整”算子，該改進(jìn)算法可以提高基因的有效利用率，增強(qiáng)進(jìn)化過程的種群多樣性，從而具有更高的收斂速

7、度和求解精度，且能更好地避免早熟現(xiàn)象。
　?。?）為了證明IGEP算法的優(yōu)勢，將IGEP算法用于2015年5月11日至2015年8月5日的全國白蘿卜、大蔥、冬瓜、茄子、青椒、土豆等蔬菜價(jià)格的建模及預(yù)測，結(jié)合時(shí)間序列方法，通過對訓(xùn)練數(shù)據(jù)進(jìn)行分析和進(jìn)化，創(chuàng)建數(shù)學(xué)模型，實(shí)現(xiàn)蔬菜價(jià)格的仿真與預(yù)測；該實(shí)驗(yàn)同時(shí)實(shí)現(xiàn)了線性回歸、拋物線回歸和基本GEP算法的仿真與預(yù)測，通過多組實(shí)驗(yàn)對比證明IGEP算法在蔬菜價(jià)格建模及預(yù)測上具有更快的收斂速度和更高

8、的精度。
　?。?）基于IGEP算法提出了均衡概率選擇和超級函數(shù)的策略，使得種群初始化時(shí)終結(jié)符和函數(shù)符被選機(jī)會均等，不同目數(shù)的函數(shù)符被選概率相同，變異算子中的字符與函數(shù)的選擇概率相等，該策略能夠保證種群的多樣性，同時(shí)超級函數(shù)的設(shè)置可以使進(jìn)化跳出局部最優(yōu)并搜索到更好的解。然后，將改進(jìn)的GEP算法用于構(gòu)建分類學(xué)習(xí)模型，針對乳腺癌、氣球、信用卡三個(gè)二元分類問題和葡萄酒識別、鳶尾花分類等兩個(gè)三元分類問題，通過該改進(jìn)算法進(jìn)行多組實(shí)驗(yàn)，并分別