首页> 正文

基于蚁群算法的数据分类方法研究

2020-12-02阅读(679)

基于蚁群算法的数据分类方法研究

论文摘要

分类是一种重要的数据分析手段,它在数据挖掘和人工智能等领域都得到了广泛地应用。人们对数据分类问题进行了深入的研究,产生了多种分类算法,如:决策树分类算法、贝叶斯分类算法等等。由于在现实生活中很多问题都可以转化为分类问题,因此对于分类算法的研究具有很重要的现实意义。蚂蚁是一种群居昆虫,虽然其个体的行为简单,但其整体能完成复杂的、个体无法完成的任务,表现出了高度的自组织性。受其觅食行为的启发,20世纪90年代意大利学者M.Dorig。等人提出了一种新型的模拟进化算法——蚁群算法。自该算法提出以来引起了许多国內外研究者的关注,其应用领域得到了迅速拓宽,在硬件实现上也取得了突破性进展,同时在蚁群算法的模型改进及与其他仿生优化算法的结合方面展现出了前所未有的勃勃生机。虽然,人们对数据分类方法和蚁群算法的研究都很多,但是对于将蚁群算法应用在解决数据分类问题方面的研究并不多。2002年英国学者Parepinelli和他的同事们将蚁群算法首次应用于数据分类领域,提出了一种解决分类问题的蚁群算法——Ant-Miner算法,该算法是最早的基于蚁群算法的分类模型。由于Ant-Minet算法具有很好的健壮性、鲁棒性等特点,在解决大规模的数据分类问题时表现出了很大的潜力,取得了较好的成果。随后,很多学者在此基础上对Ant-Miner算法进行了不断的改进。国内主要有暨南大学的刘波教授等人提出了Ant-Miner2和Ant-Miner3算法,西安交通大学王自强等人提出的ACO-Minet算法等;国外主要有英国学者JamesSmaldon等人提出的Unordered Rule Set Ant-Miner算法等。本文系统地研究了数据分类算法、蚁群算法以及Ant-Minet算法（基于蚁群算法的第一个分类模型）,并在分析原Ant-Miner算法的基础上进行了以下两方面的改进:（1）为了避免算法过早收敛于局部最优解,提出了具有免疫特征的Ant-Miner算法。该算法在原Ant-Miner算法中引入了克隆选择算子、亲和突变算子及免疫选择算子,从而提高了算法对解的搜索能力。实验结果表明,改进后的算法在算法精度方面较原算法有明显的提高。（2）针对原条件选择策略中存在的一些缺点,提出了一种新的条件选择策略——双条件选择策略,也就是在选择条件时不仅考虑原始算法中所考虑的条件转移概率函数值,而且还需要进一步比较待选择被加入到规则中的条件所覆盖的样本的个数,从而保证了加入到规则中的条件的最优性。将该条件选择策略应用于原Ant-Miner算法中,得到了基于双条件选择策略的Ant-Miner算法。实验结果证明,改进后的算法不仅在分类精度方面优于原算法,而且程序运行时间也明显少于原算法。

论文目录

  • 中文摘要
  • ABSTRACT
  • 第一章 引言
  • 1.1 研究的目的意义
  • 1.2 国内外研究动态
  • 1.3 本文的研究工作及组织结构
  • 第二章 分类算法概述
  • 2.1 数据挖掘技术概述
  • 2.1.1 数据挖掘的概念
  • 2.1.2 数据挖掘的过程
  • 2.1.3 数据挖掘的分析方法概述
  • 2.2 数据分类概述
  • 2.3 数据分类的几种常用方法概述
  • 2.3.1 决策树算法
  • 2.3.2 基于神经网络的分类算法
  • 2.3.3 贝叶斯分类算法
  • 2.3.4 基于遗传算法的分类算法
  • 2.3.5 基于蚁群算法的分类算法
  • 2.4 本章小结
  • 第三章 蚁群算法概述
  • 3.1 蚁群算法的研究现状
  • 3.2 基本蚁群算法的原理及算法描述
  • 3.2.1 蚁群算法的生物学原理
  • 3.2.2 Ant System算法描述
  • 3.3 AS算法的几种改进算法
  • 3.3.1 蚁群系统算法简介
  • 3.3.2 最大-最小蚂蚁系统算法简介
  • 3.3.3 基于等级的蚂蚁系统
  • 3.4 本章小结
  • 第四章 基于蚁群算法的分类算法
  • 4.1 基于蚁群算法的分类算法产生背景及发展
  • 4.2 Ant-Miner算法概述
  • 4.2.1 信息素的初始化
  • 4.2.2 问题所依赖的启发式函数
  • 4.2.3 状态转移概率函数
  • 4.2.4 规则的剪枝
  • 4.2.5 信息素的更新
  • 4.3 对Ant-Miner算法的改进算法概述
  • 4.3.1 Ant-Miner2算法
  • 4.3.2 Ant-Miner3算法
  • 4.3.3 ACO-Miner算法
  • 4.4 本文中所提出的对Ant-Miner算法的改进算法
  • 4.4.1 具有免疫特征的Ant-Miner算法
  • 4.4.2 基于双条件选择策略的Ant-Miner算法
  • 4.5 本章小结
  • 第五章 实验分析
  • 5.1 实验数据说明
  • 5.2 实验方法介绍
  • 5.3 实验中参数的设置
  • 5.4 实验结果
  • 5.5 本章小结
  • 第六章 总结与展望
  • 6.1 研究工作总结
  • 6.2 今后工作展望
  • 参考文献
  • 发表文章目录
  • 致谢
  • 个人简况及联系方式

    • 相关论文文献

    • [1].算法：一种新的权力形态[J]. 治理现代化研究 2020(01)
    • [2].算法决策规制——以算法“解释权”为中心[J]. 现代法学 2020(01)
    • [3].面向宏观基本图的多模式交通路网分区算法[J]. 工业工程 2020(01)
    • [4].算法中的道德物化及问题反思[J]. 大连理工大学学报(社会科学版) 2020(01)
    • [5].算法解释请求权及其权利范畴研究[J]. 甘肃政法学院学报 2020(01)
    • [6].算法新闻的公共性建构研究——基于行动者网络理论的视角[J]. 人民论坛·学术前沿 2020(01)
    • [7].算法的法律性质：言论、商业秘密还是正当程序?[J]. 比较法研究 2020(02)
    • [8].关键词批评视野中的算法文化及其阈限性[J]. 学习与实践 2020(02)
    • [9].掌控还是被掌控——大数据时代有关算法分发的忧患与反思[J]. 新媒体研究 2020(04)
    • [10].美国算法治理政策与实施进路[J]. 环球法律评论 2020(03)
    • [11].算法解释权:科技与法律的双重视角[J]. 苏州大学学报(哲学社会科学版) 2020(02)
    • [12].大数据算法决策的问责与对策研究[J]. 现代情报 2020(06)
    • [13].大数据时代算法歧视的风险防控和法律规制[J]. 河南牧业经济学院学报 2020(02)
    • [14].风险防范下算法的监管路径研究[J]. 审计观察 2019(01)
    • [15].模糊的算法伦理水平——基于传媒业269名算法工程师的实证研究[J]. 新闻大学 2020(05)
    • [16].算法推荐新闻对用户的影响及对策[J]. 新媒体研究 2020(10)
    • [17].如何加强对算法的治理[J]. 国家治理 2020(27)
    • [18].“后真相”背后的算法权力及其公法规制路径[J]. 行政法学研究 2020(04)
    • [19].算法规制的谱系[J]. 中国法学 2020(03)
    • [20].论算法排他权:破除算法偏见的路径选择[J]. 政治与法律 2020(08)
    • [21].政务算法与公共价值:内涵、意义与问题[J]. 国家治理 2020(32)
    • [22].算法的法律规制研究[J]. 上海商业 2020(09)
    • [23].蚁群算法在文字识别中的应用研究[J]. 信息与电脑(理论版) 2019(22)
    • [24].大数据聚类算法研究[J]. 无线互联科技 2018(04)
    • [25].RSA算法的改进研究[J]. 计算机与网络 2018(14)
    • [26].智能时代的新内容革命[J]. 国际新闻界 2018(06)
    • [27].改进的负载均衡RSA算法[J]. 电脑知识与技术 2018(25)
    • [28].基于深度学习的视觉跟踪算法研究综述[J]. 计算机科学 2017(S1)
    • [29].大数据算法的歧视本质[J]. 自然辩证法研究 2017(05)
    • [30].深度学习算法在智能协作机器人方面的应用[J]. 中国新通信 2017(21)

    标签：;  ;  ;  ;  ;  

    基于蚁群算法的数据分类方法研究
    下载Doc文档

    猜你喜欢

    © 2024 毕速过 版权所有 鄂ICP备12018319号-5