高效用項(xiàng)集挖掘（Mining High Utility Itemsets,簡(jiǎn)稱(chēng)HUIM）是數(shù)據(jù)挖掘（Data Mining,簡(jiǎn)稱(chēng)DM）和知識(shí)發(fā)現(xiàn)（Knowledge Discovery in Database,簡(jiǎn)稱(chēng)KDD）領(lǐng)域的重要課題。當(dāng)數(shù)據(jù)集較大或者不同項(xiàng)的數(shù)量較多時(shí),高效用項(xiàng)集挖掘就是一個(gè)NP問(wèn)題。演化算法是經(jīng)常被用來(lái)解決NP問(wèn)題的方法之一。最近,一些基于演化算法挖掘高效用項(xiàng)集的算法被提出,比如HUPEumu-GARM、HUIM-PSO等。這些算法在時(shí)間方面比傳統(tǒng)算法高效,但是需要多次遍歷數(shù)據(jù)集;此外只能挖掘到較少的高效用項(xiàng)集。為了解決以上問(wèn)題,現(xiàn)提出以下幾個(gè)算法:1)提出了基于人工蜂群算法的高效用項(xiàng)集挖掘算法HUIM-ABC。運(yùn)用人工蜂群算法（Artificial Bee Colony,簡(jiǎn)稱(chēng)ABC）挖掘高效用項(xiàng)集,運(yùn)用位圖表示數(shù)據(jù)集;二進(jìn)制向量表示蜜源、三種蜜蜂和項(xiàng)集;運(yùn)用PBVC和DNSG策略加快算法運(yùn)行,PBVC用于檢測(cè)項(xiàng)集是否合理,DNSG動(dòng)態(tài)調(diào)整不合理項(xiàng)集。2)提出了基于生物啟發(fā)計(jì)算的高效用項(xiàng)集挖掘框架Bio-HUIF。該算法將數(shù)據(jù)集表示成位圖;個(gè)體用二進(jìn)制向量來(lái)表示,... 

【文章來(lái)源】：北方工業(yè)大學(xué)北京市

【文章頁(yè)數(shù)】：75 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

單

Ｐ２?０?１?１?１?０?０?１?１?０?１?１?０?０?１?Ｃ２??圖２－１單點(diǎn)交叉??Ｐ１?丨１丨０?１丨０丨１?１丨〇｜?｜ｌ｜〇｜ｌ｜ｌ｜〇?ｌｌｏｌ?Ｃｌ??￣—￣￣?￣￣??Ｐ２?０?１?１?１?０?０?１?０?１?１?０?１?０?１?Ｃ２??圖２－２雙點(diǎn)交叉??最簡(jiǎn)單的交叉操作就是在染色體上隨機(jī)選擇交叉點(diǎn)，然后互換染色體片段。??具體的交叉操作如圖２－１和圖２－２所示。??２．２．６變異操作??變異操作主要是為了保持上一代到下一代的多樣性。變異改變?nèi)旧w上的一??個(gè)或者多個(gè)基因位。簡(jiǎn)單的形式就是人為設(shè)定變異操作的變異概率。一般而言，??變異概率設(shè)置都比較小。如果變異的概率設(shè)置的太高，這個(gè)搜索的過(guò)程有可能退??化為隨機(jī)搜索。自適應(yīng)的變異率［３７］比固定的變異概率表現(xiàn)要好。??ｎｍａｘ?＿?ｐｍｉｎ?Ｒ?ｉ??＾?＝（／ｒ?一」＾＾＿ｘｒ）ｘ?（２－１２）??ＡＴ?Ｒ??最大變異概率??ｎｍｉｎ??＆?：最小變異概率??％?：迭代次數(shù)??ｒ：時(shí)間或者迭代次數(shù)??及：排名總數(shù)??在算法ＨＵＰＥ＿－ＧＡＲＭ中，變異概率是隨著迭代次數(shù)的增加而減小的，并??且子代的變異概率是與適應(yīng)度相關(guān)的。最初，較大的變異概率是為了更加充分的??搜索解空間。子代的變異率與它的排名有關(guān)。排名高的個(gè)體相較于排名低的個(gè)體??變異率低。適應(yīng)度最高的個(gè)體可以達(dá)到最優(yōu)解。最小變異概率是為了限制群體的??１１??

因?yàn)榛谘莼惴ㄍ诰颍龋眨刹⒉荒艽_保在一定的迭代次數(shù)內(nèi)挖掘到所有的??高效項(xiàng)集，我們就需要對(duì)比不同算法挖掘到的ＨＵＩｓ個(gè)數(shù)。Ｔｗｏ－Ｐｈａｓｅ算法從４??個(gè)數(shù)據(jù)集中可以挖掘到所有的ＨＵＩｓ。圖３－２展示對(duì)比試驗(yàn)結(jié)果。??正如圖３－２所示，ＨＵＩＭ－ＡＢＣ算法在４個(gè)數(shù)據(jù)集中比其他三個(gè)基于演化算??法都可以挖掘到更多的ＨＵＩｓ。平均來(lái)看，ＨＵＩＭ－ＡＢＣ算法分別在Ｃｈｅｓｓ、??Ｍｕｓｈｒｏｏｍ、Ａｃｃｉｄｅｎｔ＿１０°／〇和?Ｃｏｎｎｅｃｔ?數(shù)據(jù)集中可以挖掘到所有?ＨＵＩｓ?的?９１．３４％，??８７．１０％，９６．６５％和９１．５９％。當(dāng)閾值設(shè)置較高時(shí)，例如，Ｃｈｅｓｓ數(shù)據(jù)集相對(duì)閾值??３０．５％

【參考文獻(xiàn)】：
期刊論文
[1]利用三角模糊數(shù)的語(yǔ)言變量項(xiàng)集減項(xiàng)算法[J]. 陳宇,王娜,王晉東.  清華大學(xué)學(xué)報(bào)(自然科學(xué)版). 2017(08)
[2]基于經(jīng)驗(yàn)Rademacher復(fù)雜度的頻繁項(xiàng)集發(fā)現(xiàn)隨機(jī)抽樣方法[J]. 葉嘉,趙成貴,吳紅剛.  中國(guó)管理信息化. 2017(07)
[3]基于Nodeset的最大頻繁項(xiàng)集挖掘算法[J]. 林晨,顧君忠.  計(jì)算機(jī)工程. 2016(12)
[4]基于云計(jì)算的最大頻繁項(xiàng)集挖掘算法[J]. 孫鶴旭,孫澤賢,林濤.  中南民族大學(xué)學(xué)報(bào)(自然科學(xué)版). 2016(03)
[5]滑動(dòng)窗口下數(shù)據(jù)流完全加權(quán)最大頻繁項(xiàng)集挖掘[J]. 王少鵬,聞?dòng)⒂?趙宏.  東北大學(xué)學(xué)報(bào)(自然科學(xué)版). 2016(07)
[6]基于投影的高效用項(xiàng)集挖掘算法[J]. 王敬華,羅相洲,吳倩.  小型微型計(jì)算機(jī)系統(tǒng). 2016(06)
[7]基于間隔鏈表改進(jìn)的頻繁項(xiàng)集挖掘算法[J]. 徐永秀,劉旭敏,徐維祥.  計(jì)算機(jī)應(yīng)用. 2016(04)
[8]基于開(kāi)項(xiàng)集剪枝的常量條件函數(shù)依賴(lài)挖掘[J]. 周金陵,刁興春,曹建軍.  清華大學(xué)學(xué)報(bào)(自然科學(xué)版). 2016(03)
[9]基于最大頻繁項(xiàng)集挖掘的微博炒作群體發(fā)現(xiàn)方法[J]. 劉琰,張進(jìn),陳靜,尹美娟,張偉麗.  計(jì)算機(jī)工程與應(yīng)用. 2017(04)
[10]基于頻繁項(xiàng)集的海量短文本聚類(lèi)與主題抽取[J]. 彭敏,黃佳佳,朱佳暉,黃濟(jì)民,劉紀(jì)平.  計(jì)算機(jī)研究與發(fā)展. 2015(09)



本文編號(hào)：3393775