基于混合遗传算法的数据挖掘.pdfVIP

计算机光盘软件与应用 2012年第 22期 ComputerCDSoftwareandApplications 工程技术 基于混合遗传算法的数据挖掘 隋永波 (内蒙古交通职业技术学院，内蒙古赤峰 024005) 摘要：随着数据库应用的不断深化，数据库的规模急剧膨胀，人们需要对这些数据进行分析，从中发现有价值的信 息。但是数据库管理系统本身却没有提供有效的工具和方法来利用这些数据，因此数据挖掘成为当今研究的热点。本文 即以混合遗传算法为基础对数据挖掘 中的算法问题进行系统研究。 关键词：数据挖掘；遗传算法；模拟退火算法；混合遗传算法 中图分类号：TV697 文献标识码：A 文章编号：1007—9599(2012)22—0181—02 1 什么是数据挖掘 个种群，遗传算法便开始被探索了，但一个种群是由基因 数据挖掘 (DataMining)，又称为数据库中的知识发 编码中某固定数 目的个体而形成。每一个生物都是具有某 现 (KnowledgeDiscoveryinDatabase，KDD)，就是从大 种特征染色体实体。染色体是遗传物质的主载体，也是多 量的、不完全的、有噪声的、模糊的、随机的实际应用数 基因的集合，基因型的解释为它的内部表现，基因型也是 据中，提取有效的、新颖的、潜在有用的、最终可理解的 某相关基因的合成，它决定一个物体外表形态，比如黑色 模式的非平凡过程，简单的说，数据挖掘就是从大量数据 头发是由染色体中某基因经组合而决定的。因此，刚开始 中提取或 “挖掘”知识。数据挖掘所得到的信息应具有先前 需做编码工作，即实现表现型到基因型的映射。因仿照基 未知，有效和可实用三个特征。先前未知的信息是指该信 因编码的程序很繁琐，所以适当进行简化，比如二进制编 息是预先未曾预料到的，既数据挖掘是要发现那些不能靠 码，初代种群出现后，遵循适者生存和优胜劣汰的生存原 直觉发现的信息或知识，甚至是违背直觉的信息或知识， 则，逐代演化产生出越来越好的近似解，每一代中据问题 挖掘出的信息越是出乎意料，就可能越有价值。 域中个体的适应程度挑出个体，然后借助 自然遗传算子， 2 数据挖掘中的基本算法 完成个体组合交叉和个体变异。产生出代表新的解集的种 2．1 模拟退火算法 群。此过程会使 自然进化种群比前代适应能力更强，末代 模拟退火算法的依据是固体物质退火过程和组合优化 种群里最优个体通过解码，可当作问题近似最佳解码。 问题之间的相似性。物质在加热的时候，粒子间的布朗运 3 混合遗传算法 动增强，到达～定强度后，固体物质转化为液态，这个时 目前，对遗传算法的研究主要集中在数学基础、各环 候再进行退火，粒子热运动减弱，并逐渐趋于有序，最后 节的实现方式以及与其他算法的结合方面。在此，我们以 达到稳定。也就是说，模拟退火没有像局部搜索那样每次 遗传算法与模拟退火算法相结合来研究。由于遗传算法具 都贪婪地寻找比现在好的点，目标函数差一点的点也有可 有开放式的结构，与问题的关联性不大，很容易和模拟退 能接受进来。随着算法的执行，系统温度T逐渐降低，最 火算法进行结合，所以融合了模拟退火算法思想和遗传算 后终止于某个低温，在该温度下，系统不再接受变化。模 法思想的模拟退火遗传算法 (混合遗传算法)成了目前改 拟退火的典型特征是除了接受 目标函数的改进外，还接受 进遗传算法研究的一个重要方向。下面将着重介绍模拟退 一 个衰减极限，当T较大时，接受较大的衰减，当T逐渐 火遗传算法里的混合遗传算法的基础思想及应用。 变小时，接受较小的衰减，当T为0时，就不再接受衰减。 3．1 混合遗传算法的基本思想 这一特征意味着模拟退火与局部搜索相反，它能避开局部 理论上已经证明，遗传算法能从概率的意义上以随机 极小，并且还保持了局部搜索的通用性和简单性。值得注 的方式寻求到问的最优解