结合变异机制和量子PSO的关联规则挖掘算法

发布时间：2021-04-09 22:53

　　针对数据集中的关联规则挖掘问题,提出一种基于改进量子粒子群优化（improved quantum particle swarm optimization,IQPSO）算法的关联规则挖掘方法。首先,将数据实例以量子比特形式表示,构建一个基于量子进化算法（quantum evolutionary algorithm,QEA）的关联规则挖掘基础框架。然后,在该基础框架上,采用新的量子角度更新公式,即使用QPSO代替QEA实现关联规则挖掘。最后,为了进一步提高QPSO算法的收敛性能,融入变异机制和动态惯性权重对其进行改进,加快其收敛速度和跳出局部最优的能力。在UCI和课程成绩数据集上的实验结果表明,提出的算法能够快速且有效地挖掘出关联规则,相比其他几种算法,挖掘到的关联规则价值更高。 

【文章来源】：山东科技大学学报(自然科学版). 2020,39(02)北大核心

【文章页数】：10 页

【部分图文】：

20维Sphere函数的收敛曲线

接着,在固定最小置信度和最小支持度下,在不同数量的实例数据集上进行实验,比较各种算法的执行时间。其中,置信度设置为0.7,最小支持度设置为0.65,数据集实例数量为4 000到8 000,结果如图3所示。可以看出,随着实例数目的增加,算法的运行时间均逐渐增加。在各种情况下,IQPSO的运行时间都是最短的,且随着实例数量的增加,改善效果更加明显。图3 不同实例数量下各种算法的执行时间

图2 不同支持度阈值下各种算法的执行时间另外,对于课程成绩数据集,由于实例数量较少,各种算法的运行时间都比较短(3 s以内)且差距很小,不像在幼儿园数据库上能看出明显差异。

【参考文献】：
期刊论文
[1]量子粒子群算法在WSN三维定位中的研究[J]. 刘小园.  计算机应用与软件. 2018(03)
[2]一种惯性权重与种群多样性协同调整的二进制粒子群优化算法[J]. 李浩君,张广,王万良.  小型微型计算机系统. 2018(03)
[3]一种利用关联规则挖掘的多标记分类算法[J]. 刘军煜,贾修一.  软件学报. 2017(11)
[4]测试不可靠条件下基于量子进化算法的测试优化选择[J]. 雷华军,秦开宇.  电子学报. 2017(10)
[5]基于前缀项集的Apriori算法改进[J]. 于守健,周羿阳.  计算机应用与软件. 2017(02)
[6]基于预判筛选的高效关联规则挖掘算法[J]. 赵学健,孙知信,袁源.  电子与信息学报. 2016(07)



本文编号：3128452