一种改进的基于关联规则挖掘的遗传算法.docVIP

一种改进的基于关联规则挖掘的遗传算法 　　摘要：针对传统的遗传算法容易导致算法的过早收敛而陷于局部最优困境，或收敛时间过长而消耗大量的搜索时间的缺陷，该文提出了一种改进的遗传算法，该算法采用一种自适应变异率和改进的个体选择方法，并且将这种改进遗传算法应用于关联规则的挖掘，实验结果证明这种算法是有效的。 　　关键词：数据挖掘；遗传算法；关联规则 　　中图分类号：TP18文献标识码：A文章编号：1009-3044(2008)35-2504-03 　　A Kind of Improved Genetic Algorithm Based on Association Rules Mining 　　LAI Wan-qin, LEI Xiao-zhen 　　(Fujian Communications Technology College, FuZhou 350007, China) 　　Abstract: To the traditional genetic algorithm easily lead to premature convergence of the algorithm and into the plight of local optimum, or Convergence too much time and consume a large amount of time to search for flaws，this text proposed a kind of improved genetic algorithm, The algorithm adopts an adaptive mutation rate and improve the methods of individual choice, and this will improve the genetic algorithm used in the data mining association rules. The experimental results show that the efficiency of the algorithm for database. 　　Key words: data mining; genetic algorithm; association rule 　　 　　1 引言 　　 　　遗传算法是一种基于生物进化论和分子遗传学的全局随机搜索算法，具有很强的随机性、鲁棒性和隐含并行性，能快速、有效地进行全局优化搜索，是处理大规模数据项目集的有效方法。目前基于遗传算法的数据挖掘方法有了一定的进展，基于遗传算法的关联规则研究也取得了一些成果。但是，传统的遗传算法存在一定的缺陷，容易导致算法的过早收敛而陷于局部最优困境，或收敛时间过长而消耗大量的搜索时间。因此，本文提出了一种改进的遗传算法，该算法采用一种自适应变异率和改进的个体选择方法，用来克服上述问题，并且将这种改进遗传算法应用于关联规则的挖掘。 　　 　　2 遗传算法原理 　　 　　遗传算法（GeneticA lgorithms，GAs），是模拟生物在自然环境中遗传和进化过程而形成的一种自适应全局优化概率搜索算法。他在解决大空间、多峰值、非线性、全局优化等高复杂度问题时显示了独特的优势[1]。把待解决问题的参数编成二进制码或十进制码（也可编成其他进制码）即基因，若干基因组成一个染色体（个体），许多染色体进行类似于自然选择、配对交叉和变异的运算，经过多次重复迭代（即世代遗传）直至得到最后的优化结果[2]。使用遗传算法解决问题时涉及到以下七个主要因素[3]。 　　1) 编码 　　将待求解问题的解根据约束条件、选择合适的编码方法（比如二进制、整数、实数编码方法、格雷码编码、多参数级联编码、多参数交叉编码等），编码成通过位串表示的染色体。不同的编码，有不同的特点，使用时应根据需要选择[4]。 　　2) 适应度函数 　　遗传算法采用适应度这个概念度量群体中个体在优化算法计算中可能达到、接近于或有利于找到最优解的优良程度，适应度是遗传算法选择操作的惟一依据。 　　3) 选择算子 　　遗传算法中最重要的就是选择、交叉、变异这三个基本算子。选择算子一般采用轮盘赌选择，在这种选择算法中，每条染色体的适应度函数值占所有染色体适应度函数值总和的比例即为该染色体被选择的概率，根据这个概率，从原有的染色体中挑选出染色体放入交配池中，新的染色体可以有重复。 　　4) 交叉算子 　　交叉是指每对染色体选择一个随机位置，其后的二进制串进行交换即可。常见的交叉方法有单点交叉、多点交叉等等，一般采用单点交叉。 　　5) 变异算子 　　变异算子有利于增加群体多样性