基于群体智能的关联规则挖掘及应用.docVIP

a单位代码 10445 学 号 分 类 号 TP391.72 硕 士 学 位 论 文 论文题目 基于群体智能的关联规则挖掘及应用 学科专业名称：计算机软件与理论 申 请人姓 名： 王伟伟 指 导 教 师： 刘 希 玉 教授 论文提交时间：2007年 04月19日 第一章 绪论 本章首先介绍了群体智能的研究背景及前沿，其次阐述微粒群算法的发展现状，最后介绍了本文的主要工作和组织结构。 1.1研究现状 1.1.1群体智能的研究背景及现状 人们在很早的时候就对自然界中存在的群集行为感兴趣,如大雁在飞行时自动排成人字形,蝙蝠在洞穴中快速飞行却可以互不碰撞等。同时受蚂蚁、飞鸟等社会性昆虫行为的启发, 单个的个体智能并不高, 但依靠群体的能力, 却发挥出超出个体的智能。这种现象揭示了简单智能的主体通过合作可以表现出复杂智能行为的特性。通过对其行为的模拟,产生了一系列解决复杂优化问题的新思路和方法, 用于解决组合优化问题和其它一些实际应用问题的新方法相继产生。 一些启发于群居性生物的寻食、打扫巢穴等行为而设计的算法成功地解决了组合优化、通信网络和机器人等领域的实际问题，这些研究被称为对群体智能(SwarmIntelligence) 的研究。对于这些现象的一种解释是,群体中的每个个体都遵守一定的行为准则,当它们按照这些准则相互作用时就会表现出上述的复杂行为。作为一个新兴领域，自从20世纪80年代出现以来，引起了多个学科领域研究人员的关注，已经成为人工智能以及经济、社会、生物等交叉学科的热点和前沿领域。基于这一思想,Craig Reynolds在1986年提出一个仿真生物群体行为的模型BOID。这是一个人工鸟系统,其中每只人工鸟被称为一个BOID,它有三种行为:分离、列队及聚集,并且能够感知周围一定范围内其它BOID的飞行信息。BOID 根据该信息,结合其自身当前的飞行状态,并在那三条简单行为规则的指导下做出下一步的飞行决策。Reynolds 用计算机动画的形式展现了该系统的行为,每个BOID能够在快相撞时自动分开,遇到障碍物分开后又重新合拢。这实际上就是一种群体智能模型。尽管这一模型出现在1986 年,但是群体智能(Swarm Intelligence) 概念被正式提出的时间并不长。一个显著的标志是1999 年由牛津大学出版社出版的E Bonabeau 和M Dorigo 等人编写的一本专著《群体智能: 从自然到人工系统》(“SwarmIntelligence : From Natural to Artificial System”)，群体智能由单个复杂个体完成的任务可由大量简单的个体组成的群体合作完成，而后者往往更具有健壮性、灵活性和经济上的优势。Bonabeau, Do rigo 等人于1999 年给出群体智能的定义: 群体智能是指任何受到社会昆虫群体和其它动物群体的集体行为的启发而设计的算法和分布式问题解决装置，对这些新方法的研究可将其称之为群体智能( Swarm Intelligence ) 的研究。 目前,对群体智能的研究尚处于初级阶段,但是它越来越受到国际智能计算研究领域学者的关注,逐渐成为一个新的重要的研究方向，并且已初见成果。2003年，在印第安那州召开的IEEE国际会议上，首次发起了对群体智能的系列研究。2005年，进行了第二次关于群体智能的IEEE国际会议，物理学家、工程师、计算机科学家、生物学家、经济学家、生态学者等在广义群体智能的定义下，展示和讨论了他们在各自领域中使用群体智能得到的成果，以及群体智能在这个新兴领域中的发展潜力和趋势。 群体智能的特点是最小智能但自治的个体利用个体与个体和个体与环境的交互作用实现完全分布式控制,并具有自组织、可扩展性、健壮性等特性。利用群体优势，在没有集中控制，不提供全局模型的前提下，为寻找复杂问题解决方案提供了新的思路。对群体智能的定义进行扩展，普遍意义上有以下几种理解。一是由一组简单智能体(agent)涌现出来的集体的智能(collective intelligence)，以蚁群优化算法(AntColony Optimization，ACO)和蚂蚁聚类算法等为代表；二是把群体中的成员看作粒子，而不是智能体，以粒子群优化算法(Particle Swarm Optimization，PSO)为代表。群体智能是对生物群体的一种软仿生，即有别于传统的对生物个体结构的仿生。可以将个体看成是非常简单和单一的，也可以让它们拥有学习的能力，来解决具体的问题。 现有的对群体智能的研究，大都是从某一种由大量个体表现出来的群体行为出发，从它们的群体行为中提取模型，为这些行为建立一些规则，从而提出算法，应用于解决实际中的问题。 目前,群体智能主要有两种算法,分别是微粒群