数据开采新技术%3a演化计算.pdfVIP

数据开采新技术：演化计算 赵新昱，陈文伟，黄金才，赛 英 (国防科学技术大学系统工程与数学系703教研室，湖南长沙410073) 摘 要：演化计算是一类借鉴自然界的进化原理去认识与解决相关领域的问题，它是一个自适 应优化过程(学习过程)，在数据开采领域，它可以用来解决优化、预测和机器学习等问题。本文 首先概括了演化理论的总框架+讨沧丁四种演化计算的典型算法．作为数据开采中的关键算法 之一，指出了将来发展的方向。 关键词：演化计算；数据开采；演化建模 1前言 数据开采(DM)和知识发现(KDD)是当今社会的研究热点，知识发现被认为是从大量数 据中发现知识的整个过程，数据开采是KDD过程中的一个特定的步骤，它用专门的算法从大 量数据中抽取模式(patterns)。 演化计算是受生物进化学说和遗传学说的启发而发展起来的，它通过对自然界生物体进 化过程的粗糙简化，生物体通过进化和自然选择这种定向机制来指导学习和确定搜索方向。是 一类启发式随机搜索技术。适用于传统搜索方法解决不了的复杂问题和非线性问题。 主要应用于工程优化，非线性参数估计，自适应控制(自适应建模)，预测，遗传综合，金融 分析等。 演化计算是从一个群体即多点开始搜索，因此在搜索过程中不容易陷人局部最优，即使所 定义的适应度函数不是连续的、非规则的或是有噪声的情况下，他们也能以很大的概率找到全 局最优解。演化计算采用自然的演化机制来表现复杂的现象，即使用随机转移规则而不是确定 性规则。故它能快速可靠地解决非常困难的问题。演化计算具有内在的学习性，学习是一种有 选择保留的行为，演化过程正是通过不断的学习的这种行为方式实现，有三种不同的学习方 式： ·宗亲学习(PhylogeneticLearning)：祖先良好的特征通过遗传传递给后代； ·社团学习(SociogeneticLearning)：经验和知识在某个社团内共享，体现在演化计算中 独立群体内部知识和结构的共享； ·个体学习(OntogeneticLearning)：不断的增长知识和经验，以增强自己的适应性 演化计算是通过改变个体基困结构来提高自身的适应度。另外，演化计算容易介入到已有 ·国家自然科学基金资助项目(79670。19) ·372· 的模型中并具有可扩展性，易于同其它技术混合使用。 2演化计算总框架 为了对典型的演化计算进行统一的描述，下面以函数优化为例给出演化计算形式化描述 和摹本流程。 演化计算的形式化描述： ，：R’—，R 目标函数： 考虑函数最小值问题，适应度函数： 垂．f—R J：个体空间 ，是中的变量 d∈，：个体 T∈P：目标变量 p≥1：父辈群体规模 ^≥1：子代群体规模 f：进化代 ＆，(f)∈J P0)={吼(f)，口P“)，…，口。0)) 第z代进化群体 g：遗传算子包括： Q，：p一，1 杂交(重组)算子 控制参数集：B (b：P—J1变异算子 控制参数集：0。 Q；：PUJ1一P 选择算子 控制参数集：0， Q。：其它算子 控制参数集：@。 ／、：p一{了7He，FnzsP}终止准则 演化计算形式化描述 E一(P(O)，P，^，g，臼，^，垂) 演化计算流程描述如下 f=0： 初始化：尸(0)一{d1(0)，Ⅱ2(o)，…，口，(o)}； 度量：P(O)：(币(n1(O))，西(d：(0))，…，廖(d，(O))) 甜^i如(^(声(，)≠丁r“P” { 杂交：P’(f)一O，(P(f))； 变异：P(f)一o》(P’(￡))； 哪 ， 墓曼 度量：P”(f