引力搜索算法挖掘关联规则.pptVIP

引力搜索算法挖掘关联规则 引力搜索算法： 在过去的十年中，许多研究人员从自然现象中得到启发，提出了许多启发式优化算法，用来解决复杂的问题，例如：遗传算法，模拟退火算法，蚁群算法，粒子群优化算法等。然而，这些算法都是针对具体的问题提出的，不具有普适性，所以一种新的启发式算法的提出就很是必要了。 提出： 2009年伊朗的克曼大学教授Esmat Rashedi等人在[GSA:A Gravitational Search Algorithm]中提出了引力搜索算法(Gravitational Search Algorithm,GSA)，该算法基于牛顿万有引力定律：“在宇宙间，每一个粒子由于万有引力的作用而彼此相互吸引，力的大小与粒子的质量成正比，与他们之间的距离成反比” 引力搜索 根据自然界粒子在引力的作用下相互吸引的思想构造的。在一个孤立的系统中，每一个粒子都会受到其它粒子引力的作用，彼此渐渐的相互靠近，最后达到一个平衡的状态。这也就是说，在搜索函数的最优值的过程中，粒子的位置不断调整，直到搜索到一个最佳位置，此时，函数的适应值达到了最优值或比较接近最优值（此状态称为收敛）。 引力搜索算法（GSA） 目前有GSA和BGSA两种版本 分别是2009和2010年提出的 GSA 位置： 每个块有位置： Xi = (xi1…… xid …… xin), i=1~N 引力： 在t时刻，定义j粒子作用在第i个粒子上的引力大小为Fijd(t)： 惯性质量： GSA 首先随机初始化粒子的位置和速度，再计算各个粒子的适应度函数，以此计算粒子的惯性质量，求出惯性质量的最好值和最坏值。其次计算每个粒子在每一维上的引力，以求得引力加速度。最后更新粒子的位置和速度，以此循环，直到得到最后结果，具体步骤如下： （1）搜索空间的识别 （2）随机初始化 （3）粒子适应值的计算 （4）更新引力系数G(t)、最好值best(t)、最坏值 worst(t)和粒子的惯性质量Mi(t) （5）计算各个方向上的力的总和 （6）计算加速度和速度 （7）更新粒子的位置 （8）返回到（3）循环迭代，直到达到循环次数或 要求精度为止 （9）结束循环，输出结果。 引力常数： GSA 第i个mass所受到的合力表示为： 速度和加速度： 更新位置： xid(t+1)=xid+ vid(t+1) GSA流程图 如果把数据库想想成为一个空间，是否可以将一条条规则看成是空间中一个个粒子，它们之间也存在着引力，从而可以通过引力搜索算法得到更好的规则？ 背景： 三种方法： 精确算法(传统的算法) 启发式算法（遗传算法、神经网络等） 元启发式算法（蚁群算法、粒子群优化算法等） 文章： Fariba Khademolghorani等人发表 《Efficient mining of Association Rules based on gravitational search algorithm》 2011 Introduction： 传统挖掘算法的不足： 有很多无用的规则 两极分化： 1.太通俗：人们都知道，就不劳我们费神了 2.太难懂：缺乏使用价值，难以被人们所掌握，比较诡异 Introduction： 本文创新点： 摒弃了原有的支持度-置信度框架，使用了一种新的fitness的度量值，将引力搜索算法用到了关联规则的挖掘上 Preliminaries： 2.1 AR 2.2 Related works 最近优化算法被用到了关联规则的挖掘上，在遗传算法中不用考虑支持度，而使用置信度作为fitness，这种算法容易陷入局部最优解，所以会误产生很多的规则。以后也有研究对其进行了改进，如定义新的多目标适合度方程(multi-objective fitness function) Preliminaries： 此外蚁群算法（ACO）和粒子群优化算法（PSO）以及它们的结合和变种也被用到了关联规则的挖掘上。虽然其挖掘规则的准确性和速度比遗传算法快，但其自身有着与遗传算法一样的缺点，只能发现频繁的项集。 将GSA用到关联规则的挖掘 1.规则要怎么表示？ 2.fitness方程要怎么表示？ Masses encoding AC-EF表示： fitness方程： 展望： 现有研究已经将几乎所有的算法用到了关联规则的挖掘上，而将引力搜索算法用到关联规则的挖掘上还没有，其后续还存在很大的研究空间，将引力搜索算法用到负关联规则、间接关联规则、时序关联规则、空间时间等关联规则中，都还没有研究。 * 主动引力质量 位置 惯性质量 被动引力质量 mass vid(t+1) = randi*vid(t)+aid(t) 00 01 00 11 01 11 A B C