基于遗传模拟退火算法的药品零售大数据关联规则挖掘

发布时间：2025-02-05 13:26

　　 针对药品零售大数据信息,提出一种基于遗传模拟退火算法的关联规则挖掘改进算法。首先以遗传算法为主体,模拟退火算法作为其辅助,在遗传算法选择操作、交叉运算和变异运算中融入模拟退火算法,实现对算法的设计;然后运用Python语言实现了算法,并通过对药品零售大数据关联规则挖掘,发现药品零售大数据之间的关联,有效地量化了药品之间的相关程度;最后对改进算法进行有效性和可行性测试。仿真实验表明,相比遗传算法,该算法的挖掘速快,挖掘质量高,有效地提高品零售大数据关联规则挖掘的性能。

【文章页数】：6 页

【部分图文】：

图2 药品和药品关联规则结果

采用GA-SA算法的关联规则挖掘算法对预处理后的数据进行分析，最终得到关联规则7715条，发现部分关联规则如图2所示。从图2中可以看出，以“抗感冒药抗病毒药”规则为例，在购买不同种类的消费者中，购买抗感冒药类药品同时购买了抗病毒药，感冒大部分是由病毒引起的，毒性感染导致的鼻塞、流....

图3 不同事务数目下算法运行时间比较

为了验证GA-SA算法的性能，从事务数目和支持度两方面分别与Apriori算法和GA算法进行比较，算法采用Python实现。不同事务数目下算法性能比较结果如图3和图4图所示;不同支持度下算法性能比较结果如图5和图6图所示。图4不同事务数目下算法挖掘规则数目比较

图4 不同事务数目下算法挖掘规则数目比较

图3不同事务数目下算法运行时间比较通过图3和图4可以看出，在事务数据量不断增加的情况下，运行时间都在增加，但GA-SA算法相比Apriori算法和GA算法挖掘速率略微快些，说明GA-SA算法在处理大规模数据集时，运行较快，性能较好。相同的事务数据量下，GA-SA算法挖掘出的规则....

图5 不同支持度下算法运行时间比较

通过图3和图4可以看出，在事务数据量不断增加的情况下，运行时间都在增加，但GA-SA算法相比Apriori算法和GA算法挖掘速率略微快些，说明GA-SA算法在处理大规模数据集时，运行较快，性能较好。相同的事务数据量下，GA-SA算法挖掘出的规则数更多。图6不同支持度下算法挖掘规....

本文编号：4029905