基于演化计算的高平均效用项集挖掘算法研究

发布时间：2025-03-20 05:32

　　模式挖掘不仅是处理和分析数据的工具,更是揭示数据背后隐藏价值的关键手段。高平均效用项集挖掘(High average-utility itemset mining,HAUIM)作为高效用项集挖掘(High utility itemset mining,HUIM)的延伸,能够更公平的评估项集的重要性而不受项集长度的影响。随着数据集规模的增长,传统的精确算法在解决高平均效用项集问题时通常无法在可接受的时间内枚举完全部的项集从而得到解。演化计算(Evolutionary computation,EC)为解决该类复杂问题提供了一种全新的、高效的优化方法。本文研究了更为高效的高平均效用项集挖掘方法和应用场景更为广泛的多目标模式挖掘方法。 (1)现有的基于演化计算的高平均效用项集挖掘算法尽管解决了精确算法在性能上的瓶颈,但其在有限的时间内往往只能得到部分解,算法容易陷入局部最优。若想挖掘到绝大部分的解集会十分耗时。并且随着用户设定的平均阈值的减小,相对应的高平均效用项集(High average-utility itemset,HAUI)的数量随之增多,该问题会越来越突出。为了更高效的挖掘到高平均效...

【文章页数】：71 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第一章 绪论
    1.1 课题背景及研究意义
    1.2 国内外研究现状及发展动态
        1.2.1 基于精确方法的高效用模式挖掘研究现状
        1.2.2 基于精确方法的高平均效用模式挖掘研究现状
        1.2.3 基于演化计算的高效用模式挖掘研究现状
        1.2.4 基于演化计算的高平均效用模式挖掘研究现状
    1.3 本文研究内容及组织结构
        1.3.1 本文研究内容
        1.3.2 本文组织结构
第二章 相关知识简介
    2.1 高效用模式挖掘
        2.1.1 高效用模式挖掘概念
        2.1.2 高效用模式挖掘算法介绍
    2.2 高平均效用模式挖掘
        2.2.1 高平均效用模式挖掘概念
        2.2.2 高平均效用模式挖掘算法介绍
    2.3 遗传算法
        2.3.1 遗传算法简介
        2.3.2 遗传算法流程
    2.4 多目标优化
    2.5 NSGA-II 算法介绍
        2.5.1 快速非支配排序方法
        2.5.2 多样性保持方法
        2.5.3 NSGA-II 算法主要流程
    2.6 本章小结
第三章 基于遗传算法的高平均效用项集挖掘算法 HAUIM-GA
    3.1 引言
    3.2 HAUIM-GA 的总体流程
    3.3 种群初始化策略
    3.4 剪枝策略
    3.5 Hash策略
    3.6 提升支持度策略
    3.7 时间复杂度分析
    3.8 举例说明
    3.9 实验结果和分析
        3.9.1 实验设置
        3.9.2 剪枝策略有效性的消融实验
        3.9.3 Hash策略有效性的消融实验
        3.9.4 支持度提升策略有效性的消融实验
        3.9.5 与启发式算法对比结果
        3.9.6 与精确算法对比结果
    3.10 本章小结
第四章 基于多目标演化计算的模式挖掘算法
    4.1 引言
    4.2 三目标模式挖掘问题模型
    4.3 MOEA-SOHAUI 的总体流程
    4.4 种群初始化策略
    4.5 基于信息记录表的剪枝策略
    4.6 基于信息记录表的修复、变异策略
    4.7 实验结果与分析
        4.7.1 实验设置
        4.7.2 性能指标
        4.7.3 种群初始化策略有效性的消融实验
        4.7.4 记录表的使用对可行项的影响
        4.7.5 信息记录表的使用对算法收敛速度的影响
        4.7.6 与其他算法的对比结果
    4.8 本章小结
第五章 结论与展望
    5.1 结论
    5.2 展望
参考文献



本文编号：4037460