基于PSO算法的分類規(guī)則數(shù)據(jù)挖掘.pdf

1、粒子群最佳化算法(Particle Swarm Optimization; PSO)為人工智能領(lǐng)域中的一項(xiàng)新興技術(shù)，由1995年發(fā)展至今，已經(jīng)逐漸被廣泛地應(yīng)用于最佳化問題與數(shù)據(jù)挖掘領(lǐng)域。
　　 本文將試圖采用離散型的PSO算法來扮演規(guī)則挖掘算法(Rule Discovery Algorithm)的角色，并且結(jié)合完整的匹茲堡學(xué)說概念來表示個(gè)體，進(jìn)一步結(jié)合USD離散化算法(Gir' aldez et a1．，2002)，使分類算法能

2、夠同時(shí)處理離散型與連續(xù)型屬性數(shù)據(jù)，而不需要事先將原始數(shù)據(jù)集中的連續(xù)型屬性數(shù)據(jù)進(jìn)行離散化后才加載分類算法中。
　　 該算法也利用所提出的規(guī)則屏蔽(Rule Mask)的概念，利用附加的位(bit)來表示規(guī)則的狀態(tài)，并利用以遺傳算法結(jié)合匹茲堡學(xué)說來構(gòu)建分類算法的相關(guān)研究(Janikow，1993; Bacardit and Garrell，2003a)所使用的規(guī)則刪減運(yùn)算子(Rule DeletionOperator)以及最小敘述長

3、度為基礎(chǔ)的適應(yīng)函數(shù)(Minimum Description Length-basedFitness Function)這兩種方法來達(dá)成粒子可變動長度的功能，使粒子的表示能更符合匹茲堡學(xué)說的原理。
　　 本文除了試圖以另一種設(shè)計(jì)方式來構(gòu)建以PSO算法為基礎(chǔ)的分類算法外，也提出了相關(guān)研究發(fā)展至目前為止所存在問題的解決方法，使PSO算法為基礎(chǔ)的分類算法能有更佳完備的分類功能。
　　 實(shí)驗(yàn)結(jié)果顯示，該算法可以使粒子具有可變動長度

4、的特性，分類算法能夠同時(shí)處理不同型態(tài)的屬性數(shù)據(jù)。在分類準(zhǔn)確率的比較方面，該算法所提出的分類算法已達(dá)到J48算法的分類水平，并且僅以較少的規(guī)則數(shù)目即可達(dá)到更高的分類效果，說明該算法具有較強(qiáng)的實(shí)用價(jià)值。
　　 粒子群最佳化算法于將近十年的發(fā)展中，各式各樣的研究議題紛紛呈現(xiàn)，而且顯示出逐步成長的趨勢。但仍然，相較于遺傳算法等發(fā)展較為悠久的演化式技術(shù)，粒子群最佳化算法于數(shù)據(jù)分類問題領(lǐng)域之中的發(fā)展仍尚未成熟，按然存在著很多切入點(diǎn)可以深入探