基于改進群體智能算法的數據分類學習模型研究.pdf

1、海量數據時代，人們對于能夠自動地、智能地把數據轉化為有用知識的技術有著迫切的需求，這種需求促進了數據挖掘技術的快速發(fā)展。數據分類是數據挖掘的一項重要任務，它可以用來挖掘重要數據類的模型以及預測數據的未來趨勢。數據分類在人工智能、網絡金融、模式識別、機器學習等領域已經展開了廣泛的研究，并產生了眾多的分類建模算法。雖然數據分類在理論和技術方面己經取得一定的突破，但它仍然存在一些問題，主要包括：分類建模算法的準確性和有效性、分類規(guī)則的可理解性

2、等。傳統(tǒng)分類建模算法在預測精度、可擴展性、高效性等方面都面臨著巨大的挑戰(zhàn)。由于數據分類是通過訓練集合來構建分類模型，即通過分類算法尋找出最能代表訓練數據的分類規(guī)則集合，這是一個逐步尋優(yōu)的過程，因此許多研究者將群體智能算法應用于分類學習模型構建并取得了一些成果。群體智能算法是模擬自然界中種群通過個體之間的相互協作去解決一個復雜問題的過程，該算法具有潛在的并行性和較強的魯棒性，而且算法不依賴于具體問題?；谌后w智能算法的分類學習模型構建已經

3、成為近年來數據挖掘領域的研究熱點。
　　本論文將群體智能算法中比較有代表性的蟻群算法和基因表達式編程算法（Gene Expression Programming,GEP）引入數據分類挖掘中，主要對基于傳統(tǒng)蟻群分類算法和基本GEP的分類學習模型構建問題進行了研究，分別從不同的角度對這兩種算法進行了改進，提出了新型蟻群分類建模算法Ant-MinerPAE和改進的基因表達式編程算法IGEP，并通過多組實驗驗證了該改進算法在分類學習模型構

4、建上的有效性。本論文的主要研究工作如下：
　?。?）介紹了數據分類問題的定義、原理及實現方法，分析了常見分類建模算法的不足之處，然后研究了蟻群算法的思想來源和核心步驟，深入研究了傳統(tǒng)的蟻群分類算法Ant-Miner，并追蹤了蟻群分類算法的發(fā)展歷程。為了避免算法過早收斂陷入局部最優(yōu)解，提出了一種基于信息素吸引與排斥原則改進的蟻群算法，設計了新的信息素計算方法及概率轉移公式，調整了算法迭代的次序，螞蟻在搜索過程中的信息素既包含吸引部分

5、，又包含排斥部分，該方法可以平衡螞蟻在構建模型過程中的探索與開發(fā)的關系，使得螞蟻在搜索過程初期傾向于探索，在搜索過程后期傾向于開發(fā)。
　?。?）為了證明本論文改進蟻群算法的有效性，將該算法應用于分類問題建模，同時在考慮規(guī)則之間相互影響的基礎上，提出了一種新型蟻群分類建模算法Ant-MinerPAE，然后利用UCI的12組公共數據集進行了分類實驗，將實驗結果和其他常見的一些分類挖掘算法如CN2、C4.5rules、PSO/ACO2、

6、Ant-Miner、cAnt-MinerPB等進行了比較。實驗結果表明，該算法在預測精度和規(guī)則簡潔性方面具有一定的優(yōu)勢。
　　（3）深入研究了GEP的思想及基本GEP的缺點，針對基本GEP進行建模時容易受到噪聲干擾，導致過早收斂，陷入局部極值等問題，本論文提出了一種改進的GEP算法（IGEP），增加了“基因提取”、“基因翻轉”和“基因動態(tài)調整”算子，該改進算法可以提高基因的有效利用率，增強進化過程的種群多樣性，從而具有更高的收斂速

7、度和求解精度，且能更好地避免早熟現象。
　?。?）為了證明IGEP算法的優(yōu)勢，將IGEP算法用于2015年5月11日至2015年8月5日的全國白蘿卜、大蔥、冬瓜、茄子、青椒、土豆等蔬菜價格的建模及預測，結合時間序列方法，通過對訓練數據進行分析和進化，創(chuàng)建數學模型，實現蔬菜價格的仿真與預測；該實驗同時實現了線性回歸、拋物線回歸和基本GEP算法的仿真與預測，通過多組實驗對比證明IGEP算法在蔬菜價格建模及預測上具有更快的收斂速度和更高

8、的精度。
　?。?）基于IGEP算法提出了均衡概率選擇和超級函數的策略，使得種群初始化時終結符和函數符被選機會均等，不同目數的函數符被選概率相同，變異算子中的字符與函數的選擇概率相等，該策略能夠保證種群的多樣性，同時超級函數的設置可以使進化跳出局部最優(yōu)并搜索到更好的解。然后，將改進的GEP算法用于構建分類學習模型，針對乳腺癌、氣球、信用卡三個二元分類問題和葡萄酒識別、鳶尾花分類等兩個三元分類問題，通過該改進算法進行多組實驗，并分別