PSO-SA算法的改進及其在關(guān)聯(lián)規(guī)則挖掘中的應用研究.pdf

1、關(guān)聯(lián)規(guī)則挖掘算法是數(shù)據(jù)挖掘中最核心部分之一，傳統(tǒng)的挖掘算法已經(jīng)難于適用于當前數(shù)據(jù)量的挖掘。人們都在嘗試使用新的智能算法，如遺傳算法、粒子群算法、魚群算法等來挖掘關(guān)聯(lián)規(guī)則。本文結(jié)合粒子群和模擬退火兩種算法的優(yōu)點，將兩種算法混合在一起，使用改進的混合模擬退火粒子群算法。由于粒子群算法在尋找最優(yōu)解時很容易陷入局部最優(yōu)解的情況，使得在解決實際問題時，往往求出的解是非全局最優(yōu)解，由于模擬退火算法在執(zhí)行過程中能夠以一定的概率接受差解，所以它能夠很好

2、的避免算法陷入局部最優(yōu)解。那么本文將模擬退火算法和粒子群算法相結(jié)合后，在基本粒子群算法中引入模擬退火算法的Metropolis準則。算法實現(xiàn)粒子在更新自身最好位置、群體最好位置及自身當前位置時能夠有一定概率接受差解，這樣能很好避免粒子陷入局部最優(yōu)位置。本文將改進混合算法運用到關(guān)聯(lián)規(guī)則挖掘中，采用實數(shù)編碼的方式來設定粒子，并且選擇了合適的評價函數(shù)。最后通過挖掘高校應屆研究生就業(yè)情況的關(guān)聯(lián)規(guī)則為實際例子，并和遺傳模擬退火算法(GA-SA)、

3、標準PSO算法進行了對比，證明了該混合算法在關(guān)聯(lián)規(guī)則挖掘中的可行性及優(yōu)越性。最后針對挖掘出的關(guān)聯(lián)規(guī)則，對以后的研究生在就業(yè)方面提出了一些建議。本文的主要研究內(nèi)容如下:
　　(1)介紹了數(shù)據(jù)挖掘及關(guān)聯(lián)規(guī)則挖掘概念，并分析了基本挖掘算法的優(yōu)缺點，詳細描述了粒子群算法和模擬退火算法的實現(xiàn)過程及它們各自的優(yōu)缺點。
　　(2)描述本文混合模擬退火粒子群算法實現(xiàn)過程。在基本粒子群算法中，在更新粒子的自身最好位置和群體最好位置時，引入了M

4、etropolis準則，并且將原先的群體最好位置用兩個量來記錄;接著在更新每個粒子的位置和速度時，再次引入Metropolis準則，兩處使用Metropolis準則可以從單個粒子和整個群體兩個角度出發(fā)，防止算法陷入局部最優(yōu)解。將本文改進的混合算法與其他文獻中的混合算法、標準PSO算法進行函數(shù)測試對比。
　　(3)將改進混合模擬退火粒子群算法運用到關(guān)聯(lián)規(guī)則挖掘中，以研究生就業(yè)的關(guān)聯(lián)規(guī)則挖掘為實際例子。對比GA-SA算法、標準PSO算