基于改进的蚁群算法在分类规则中的应用研究

论文摘要

Marco Dorigo等学者提出了模拟蚂蚁群体智能行为的蚁群算法。它是神经网络、遗传算法等之后的又一种对解决组合优化问题、指派问题、调度问题都取得良好效果的优化算法。仿真实验表明,蚁群算法在解决优化问题的良好效果,使得它在数据挖掘中的数据分类算法也取得了不错的应用效果,但蚁群算法自身还存在求解收敛过早、易于陷入局部最优等问题。本文主要研究对蚁群算法优化策略的改进以及进一步对蚁群数据分类模型进行改进,主要工作如下。首先,对蚁群算法的基本原理进行深入研究,在对蚁群算法近年来的研究进展进行总结,深入分析归纳蚁群算法的优点和存在的不足,对不足的地方进行改进策略研究,提出了NIAS改进算法,并将其应用于旅行商问题（TSP）。通过对蚁群搜索路径的相交性检测并调整路径选择策略,目的在于提高蚁群的最优解求解能力。同时通过对蚁群相交路径的信息素更新策略的变化,将路径之间的关系引入到对信息的更新机制中,从而提高算法的求解空间,和避免算法的过早收敛问题。实验表明,改进算法可提高在求解TSP问题上的性能。其次,针对目前蚁群算法在数据分类上的应用和研究,并结合蚁群算法自身的特点,在Ant-Miner分类算法的基础上,进行了两个方面的改进：对发现规则修剪采用随机组合的方式对属性节点进行规则质量的比对,从而保证在发现规则的基础上获得最佳的规则；同样是为了避免算法的早熟问题,在信息素的更新机制在除了对规则上属性节点要加强信息素之外,同时对规则质量高但并添加到发现规则中的属性节点同样进行信息素的增强。试验表明,相比基本的蚁群分类算法,改进的算法付出了一定代价,但对数据分类的效果明显优于传统的基本算法。

论文目录

• 摘要
• Abstract
• 1 绪论
• 1.1 课题的研究背景与意义
• 1.1.1 研究背景与意义
• 1.1.2 管理质量发展现状
• 1.1.3 蚁群算法的发展
• 1.1.4 数据分类方法的发展
• 1.2 课题的主要研究内容
• 1.3 本文的组织结构
• 2 分类问题的原理及方法
• 2.1 数据挖掘技术概念
• 2.1.1 数据挖掘的定义
• 2.1.2 数据挖掘基本过程
• 2.1.3 数据挖掘的主要方法
• 2.2 数据分类概述
• 2.2.1 建立分类模型
• 2.2.2 测试分类模型
• 2.3 数据分类常用方法概述
• 2.3.1 决策树算法
• 2.3.2 贝叶斯分类算法
• 2.3.3 基于关联规则的分类算法
• 2.3.4 基于神经网络的分类方法
• 2.3.5 支持向量机（SVM）
• 2.3.6 向量空间模型（VSM）
• 2.3.7 遗传算法
• 2.3.8 其他分类方法
• 2.4 本章小结
• 3 蚁群算法概述及改进
• 3.1 群智能概述
• 3.2 蚁群算法基本原理及算法概述
• 3.2.1 蚁群算法基本原理
• 3.2.2 蚁群算法特点
• 3.3 蚁群算法发展现状
• 3.3.1 蚂蚁算法（AS）
• 3.3.2 蚁群系统算法（ACS）
• 3.3.3 最大最小蚂蚁系统（MMAS）
• 3.4 蚁群算法优化改进
• 3.4.1 NIAS算法改进思想
• 3.4.2 实验结果分析比较
• 3.5 本章小结
• 4 基于蚁群算法的分类算法及应用
• 4.1 Ant-Miner概括
• 4.2 Ant-Miner实现描述
• 4.2.1 算法初始化
• 4.2.2 属性选择概率
• 4.2.3 启发函数
• 4.2.4 规则修剪
• 4.2.5 信息素更新
• 4.3 质量控制中蚁群分类算法的应用
• 4.3.1 问题描述
• 4.3.2 问题建模
• 4.3.3 算法实现
• 4.3.4 实验结果分析
• 4.4 本章小结
• 5 总结和展望
• 5.1 研究工作总结
• 5.2 今后工作展望
• 参考文献
• 个人简历、在学期间发表的学术论文及取得的研究成果