基于遺傳算法的數(shù)據(jù)挖掘方法研究.pdf

1、隨著生產(chǎn)、生活節(jié)奏的加快和信息技術(shù)的進(jìn)步，數(shù)據(jù)信息量以指數(shù)形式增長(zhǎng)。數(shù)據(jù)挖掘技術(shù)具有強(qiáng)大的數(shù)據(jù)分析處理能力，能為決策者提供重要的、極有價(jià)值的信息或知識(shí)，從而產(chǎn)生不可估量的效益。因此數(shù)據(jù)挖掘方法的研究具有很重要的理論和現(xiàn)實(shí)意義。
　　 聚類分析是數(shù)據(jù)挖掘的主要任務(wù)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(qiáng)、收斂速度快，且聚類結(jié)果不受樣本數(shù)據(jù)輸入順序的影響。但該算法對(duì)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(qiáng)大的全局尋優(yōu)能力，運(yùn)算過(guò)程不依賴于梯度信息或其它輔助知識(shí)，只需確定目標(biāo)函數(shù)和適應(yīng)度函數(shù)，被廣泛用于解決各類優(yōu)化問(wèn)題。因此，將遺傳算法與k 均值算法相結(jié)合，既能發(fā)揮遺傳算法強(qiáng)大的全局尋優(yōu)能力，又能兼顧k 均值算法較強(qiáng)的局部搜索特點(diǎn)。
　　 如何將遺傳算法與k 均值算法更好的結(jié)合，優(yōu)勢(shì)互補(bǔ)，提高聚類算法效率，是本文研究的主要內(nèi)容。針對(duì)聚類問(wèn)題，本文對(duì)標(biāo)準(zhǔn)遺傳算法進(jìn)行改進(jìn)。首先，遺傳算法采用浮點(diǎn)數(shù)編碼方法，在保持交叉

3、、變異后的搜索空間不變的基礎(chǔ)上，縮短了染色體編碼長(zhǎng)度；其次，采用基于最短距離基因匹配的算術(shù)交叉算子和均勻變異算子，保證產(chǎn)生有意義的新染色體；再次，用父代種群參與競(jìng)爭(zhēng)的策略代替經(jīng)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(zhǔn)則結(jié)合使用的方法，控制遺傳算法的運(yùn)算過(guò)程，有效縮短了算法的運(yùn)行時(shí)間。這兩種停止準(zhǔn)則分別是：種群的進(jìn)化代數(shù)達(dá)到指定的終止代數(shù)T，遺傳算法停止；連續(xù)多次迭代的種群個(gè)體的平均適應(yīng)度值之間差異小于某一極小閾值，遺