針對藥品零售大數(shù)據(jù)信息,提出一種基于遺傳模擬退火算法的關(guān)聯(lián)規(guī)則挖掘改進(jìn)算法。首先以遺傳算法為主體,模擬退火算法作為其輔助,在遺傳算法選擇操作、交叉運(yùn)算和變異運(yùn)算中融入模擬退火算法,實現(xiàn)對算法的設(shè)計;然后運(yùn)用Python語言實現(xiàn)了算法,并通過對藥品零售大數(shù)據(jù)關(guān)聯(lián)規(guī)則挖掘,發(fā)現(xiàn)藥品零售大數(shù)據(jù)之間的關(guān)聯(lián),有效地量化了藥品之間的相關(guān)程度;最后對改進(jìn)算法進(jìn)行有效性和可行性測試。仿真實驗表明,相比遺傳算法,該算法的挖掘速快,挖掘質(zhì)量高,有效地提高品零售大數(shù)據(jù)關(guān)聯(lián)規(guī)則挖掘的性能。

【文章頁數(shù)】：6 頁

【部分圖文】：

圖2 藥品和藥品關(guān)聯(lián)規(guī)則結(jié)果

采用GA-SA算法的關(guān)聯(lián)規(guī)則挖掘算法對預(yù)處理后的數(shù)據(jù)進(jìn)行分析，最終得到關(guān)聯(lián)規(guī)則7715條，發(fā)現(xiàn)部分關(guān)聯(lián)規(guī)則如圖2所示。從圖2中可以看出，以“抗感冒藥抗病毒藥”規(guī)則為例，在購買不同種類的消費(fèi)者中，購買抗感冒藥類藥品同時購買了抗病毒藥，感冒大部分是由病毒引起的，毒性感染導(dǎo)致的鼻塞、流....

圖3 不同事務(wù)數(shù)目下算法運(yùn)行時間比較

為了驗證GA-SA算法的性能，從事務(wù)數(shù)目和支持度兩方面分別與Apriori算法和GA算法進(jìn)行比較，算法采用Python實現(xiàn)。不同事務(wù)數(shù)目下算法性能比較結(jié)果如圖3和圖4圖所示;不同支持度下算法性能比較結(jié)果如圖5和圖6圖所示。圖4不同事務(wù)數(shù)目下算法挖掘規(guī)則數(shù)目比較

圖4 不同事務(wù)數(shù)目下算法挖掘規(guī)則數(shù)目比較

圖3不同事務(wù)數(shù)目下算法運(yùn)行時間比較通過圖3和圖4可以看出，在事務(wù)數(shù)據(jù)量不斷增加的情況下，運(yùn)行時間都在增加，但GA-SA算法相比Apriori算法和GA算法挖掘速率略微快些，說明GA-SA算法在處理大規(guī)模數(shù)據(jù)集時，運(yùn)行較快，性能較好。相同的事務(wù)數(shù)據(jù)量下，GA-SA算法挖掘出的規(guī)則....

圖5 不同支持度下算法運(yùn)行時間比較

通過圖3和圖4可以看出，在事務(wù)數(shù)據(jù)量不斷增加的情況下，運(yùn)行時間都在增加，但GA-SA算法相比Apriori算法和GA算法挖掘速率略微快些，說明GA-SA算法在處理大規(guī)模數(shù)據(jù)集時，運(yùn)行較快，性能較好。相同的事務(wù)數(shù)據(jù)量下，GA-SA算法挖掘出的規(guī)則數(shù)更多。圖6不同支持度下算法挖掘規(guī)....

本文編號：4029905