系统优化均衡及数据挖掘.docVIP

系统优化均衡及数据挖掘本文首先介绍了系统优化均衡与数据挖掘的基础知识，阐述了二者之间的联系及运用，最后提出应进一步将数据挖掘技术用于实现系统优化均衡，以期更好的实现系统的优化均衡的实际运用。 优化；均衡；数据挖掘 [中图分类号]F224[文献标识码]A[文章编号]1009-9646（2011）10-0016-02 日常生活中，我们常听到人们提及“优化”一词，网络优化、企业结构优化、算法优化等等，我们所涉及到的这“优化”更多的属于系统优化范畴。钱学森先生指出：系统科学是从事物的部分与整体，局部与全局及层次关系来研究客观世界；系统是由一些相互关联、相互作用、相互制约的组成部分所构成具有某种功能的整体。随着系统科学与系统工程的不断发展完善，以及人们对效率和精确度的追求，系统的优化和均衡问题自然成为系统科学和系统工程研究的一个重要的核心问题，也越来越多的影响着人们的日常生活及生产。 优化方法就是在优化理论的指导下，求解优化问题的方法，具体的有规划类方法与智能类优化方法两大类[1]。均衡或者协调是指两个以上系统或者系统的要素之间在组织、结构和变化上的对应变化关系，是系统之间或系统内部各要素之间的相互依存、相互制约、相互适应、相互促进的相互关系中自我发展不断完善的状态或态势。“优化”和“均衡”并不是毫不相关的两个事物，本质上它们之间存在着紧密关系，甚至是等价关系[2]。目前关于系统优化和均衡方面的研究在国内尚比较少，而它们在我们的日常生产和生活中确实有着重要的研究和运用价值。在实际的生产实践中，一方面我们需要大量的有效地尽量真实噪声较少的数据，另一方面在信息爆炸的今天，面对海量的信息及数据我们又容易陷入无从下手的尴尬境地。数据的缺失、有效数据获取的高成本、信息量过于庞杂等问题直接导致了数据库中海量的数据信息背后蕴藏的许多知识难以被发现和利用。数据库知识发现（knowledge discovery in database，简称KDD）的核心技术――数据挖掘（data mining，简称DM）[3]是近年来国际上较为活跃的研究领域。它应用一些专门的算法从数据中抽取出有效的模式，能从大量的数据中发现潜在的规律，以提取有用的知识。简言之，DM就是从大量的、不完全的、有噪声的、模糊的、随机的实际应用数据中，提取隐含在其中的、人们事先不知道的、但又是潜在有用的信息和知识的过程。系统优化与均衡的寻求是为了获取更高的效率，而数据挖掘能有效地利用已有的信息通过对知识的学习分析为人们提供更多更深层次的知识，显然这对实现系统的优化与均衡是有着很大的作用的。 我们生活中所接触到的所有事物几乎都可以用“系统”来描述，而我们所从事的一切活动也可以归结为实现某系统的优化和均衡。从宏观来说，譬如我们国家的整个经济发展与社会进步，都可以看作一个巨大的系统，而建设我们的国家所追求的目标就是这个系统进一步的优化均衡，最终的社会主义社会也即使该系统的最优状态。从自身来讲，我们每个人也是一个系统，我们每天工作学习，也是为了让自己这个小系统更加优秀，实现自身的价值，不断优化自己。而在我们进行系统优化或试图实现系统均衡的过程中，我们往往会遇到很多问题，尤其是在信息化的今天，决策依赖于对信息的把握与估量，而海量的信息往往让我们无所适从，这时，正确的辨识并发现那些重要的只是就显得越发重要了。数据挖掘正好为我们提供了这样的一种方法和工具。整个挖掘过程是一个不断反馈的过程，它是一个自组织系统，也可以视作是一个逐步优化的过程。比如，用户在挖掘途中发现选择的数据不太好，或使用的挖掘技术产生不了期望的结果，用户就需要重复先前的过程，甚至从头重新开始。 目前已有不少学者将数据挖掘技术用于客户关系管理方面的成功案例，如对银行或商业信用卡业务上经常发生的欺诈行为进行预测；在商业领域的市场营销和金融投资方面，利用DM技术识别顾客的购买行为模式，对客户进行分析，利用专家系统、神经网络和遗传算法等进行选择投资和证券管理也取得了很大的成效；体育竞技方面也有成功的运用，如IBM公司开发的AS（Advanced Scout）系统针对美国篮球比赛NBA的数据，帮助教练优化战术组合等等。这些案例都是系统优化均衡的体现，或者是银行信贷系统的优化均衡，或者是投资系统的优化均衡，或者是一个团队分工协作系统的优化均衡。 如何将数据挖掘的思想与方法更进一步的与系统的优化与均衡相融合，如何更好的利用数据挖掘为系统优化与均衡服务是一个值得研究的问题，尤其是在信息产生和更新如此迅速的今天，谁能更好的利用信息和数据谁能更早的发现别人还不曾了解的知识谁就能赢得更多的机会，系统的优化也是一样，通过数据挖掘发现更多知识加强对系统的认知必然可以更好的进行系统优化工作，使系统达到我们期望的优化或均衡状态。