基于遺傳算法的數據挖掘方法研究.pdf

1、隨著生產、生活節(jié)奏的加快和信息技術的進步，數據信息量以指數形式增長。數據挖掘技術具有強大的數據分析處理能力，能為決策者提供重要的、極有價值的信息或知識，從而產生不可估量的效益。因此數據挖掘方法的研究具有很重要的理論和現實意義。
　　 聚類分析是數據挖掘的主要任務之一，k均值算法是最常用的聚類方法。K 均值算法的局部搜索能力強、收斂速度快，且聚類結果不受樣本數據輸入順序的影響。但該算法對初始聚類中心的選取非常敏感，極易陷入局部極小

2、值。遺傳算法具有強大的全局尋優(yōu)能力，運算過程不依賴于梯度信息或其它輔助知識，只需確定目標函數和適應度函數，被廣泛用于解決各類優(yōu)化問題。因此，將遺傳算法與k 均值算法相結合，既能發(fā)揮遺傳算法強大的全局尋優(yōu)能力，又能兼顧k 均值算法較強的局部搜索特點。
　　 如何將遺傳算法與k 均值算法更好的結合，優(yōu)勢互補，提高聚類算法效率，是本文研究的主要內容。針對聚類問題，本文對標準遺傳算法進行改進。首先，遺傳算法采用浮點數編碼方法，在保持交叉

3、、變異后的搜索空間不變的基礎上，縮短了染色體編碼長度；其次，采用基于最短距離基因匹配的算術交叉算子和均勻變異算子，保證產生有意義的新染色體；再次，用父代種群參與競爭的策略代替經常使用的最優(yōu)保存策略，提高算法的收斂速度；最后，用兩種停止準則結合使用的方法，控制遺傳算法的運算過程，有效縮短了算法的運行時間。這兩種停止準則分別是：種群的進化代數達到指定的終止代數T，遺傳算法停止；連續(xù)多次迭代的種群個體的平均適應度值之間差異小于某一極小閾值，遺