基于自适应蚁群优化算法的数据挖掘模型研究.pdfVIP

学兔兔 第7卷第3期 中 国 工 程 机 械 学 报 Vo1．7 No．3 2009年9月 CHINESE JOUP~NAL OF CONSTRUCTION MACHINERY Sep．2009 基于自适应蚁群优化算法的数据挖掘模型研究 孟宪明，凌培亮 (同济大学 机械工程学院，上海 201804) 摘要：在Ant．Miner算法框架中通过对启发式因子、信息素更新及路径选择概率等策略的改进，提出基于自适应 蚁群优化算法的分类挖掘模型，并进行实验分析，与基本Ant-Miner算法相比较，表明这一算法在规则质量及运 行时间上都有很大的优势． 关键词：蚁群算法；数据挖掘；分类问题；信息素 中图分类号：TP 311．12 文献标识码：A 文章编号：1672—5581(2009)03—0275—05 Data mining models based on adaptive ant colony optimization algorithm G Xian—ruing。LING Pei—liang (College of Mechanical Engineering，Tongji University，Shanghai 201804，China) Abstract：Based on such improved strategies as heuristic factor，pheromones updating and routing proba— bility under an ant-miner algorithm framework，a classification mining model is postulated using adaptive ant colony optimization algorithm．Through experimental analysis，compared with the original ant—miner algorithm，this algorithm possesses significant advantages in terms of regular quality and running time． Key words：ant colony optimization；data mining；classification problem；pheromone 数据挖掘(data mining)是从大量的数据中获取有效的、潜在有用的、新颖的、最终可理解的模式或规 则的过程．它强调对大量观测到的数据库信息的处理，从而发现知识，挖掘类型包括关联规则、分类、聚类、 回归、序列等． 蚁群算法l_1]是由意大利学者Marco Dorigo于1992年在他的博士论文中提出的，其灵感来源于蚂蚁 在寻找食物过程中发现路径的行为．蚁群算法在多个领域已取得了成功的应用，其在数据挖掘中的应用正 逐步引起人们的关注． Parpinelli等l2]将蚁群算法应用于分类问题并提出了最早的基于蚁群算法的分类算法模型：Ant Min— er算法．国内学者对基于蚁群算法的分类规则挖掘的研究，主要集中于模型研究和参数改进，蒋蕾等[3]设 计了合理的蚂蚁选择属性及属性分区的概率公式，并对规则质量的衡量等策略进行改进；刘波等 采用了 不同的启发函数和不同的分类条件选择方法进行改进．基于此，本文在基本Ant—Miner算法框架中通过对 启发式因子、信息素更新及路径选择概率等方面的改进，提出基于自适应蚁群优化算法的分类挖掘模型． 1 基于自适应蚁群优化算法的分类模型 1．1 基本算法描述 数据分类是数据挖掘的一个非常重要主