協同演化算法及其在數據挖掘中的應用

第1章 緒論
1.1 演化算法概述
1.1.1 演化算法的起源
1.1.2 演化算法的應用領域
1.1.3 演化算法的發(fā)展趨勢
1.2 演化算法的基本原理
1.2.1 生物學基礎
1.2.2 演化算法與最優(yōu)化
1.2.3 演化算法的一般框架
1.2.4 沒有免費午餐定理
1.3 協同演化算法研究現狀
1.3.1 協同進化論
1.3.2 演化博弈論
1.3.3 協同演化算法設計
1.3.4 協同演化算法的應用
第2章 數據挖掘和關聯規(guī)則
2.1 數據挖掘
2.1.1 數據挖掘的定義和過程
2.1.2 挖掘的數據形式
2.1.3 數據挖掘的功能
2.2 關聯分析
2.2.1 關聯規(guī)則的定義
2.2.2 關聯規(guī)則挖掘的問題
2.3 聚類分析
2.3.1 聚類分析的意義
2.3.2 聚類分析的概念
2.3.3 聚類分析的算法
2.4 遺傳算法在規(guī)則發(fā)現中的應用
2.4.1 個體表示
2.4.2 算子
2.4.3 種群初始化
2.4.4 適應度
2.4.5 分類規(guī)則發(fā)現和關聯規(guī)則發(fā)現的不同
第3章 基于混合策略的協同演化算法
3.1 引言
3.2 混合策略協同演化規(guī)劃的基本思想
3.2.1 概率分布函數的性能
3.2.2 混合策略協同演化規(guī)劃框架
3.3 求解函數優(yōu)化問題的MSCEP算法
3.4 實驗結果和分析
3.4.1 實驗結果
3.4.2 實驗分析
3.5 小結
第4章 求解約束優(yōu)化問題的混合策略演化算法
4.1 引言
4.2 求解約束優(yōu)化問題的基本思想
4.2.1 約束優(yōu)化問題
4.2.2 約束比較規(guī)則
4.3 求解約束優(yōu)化問題的CMSEP算法
4.4 實驗結果和分析
4.4.1 實驗結果
4.4.2 結果分析
4.5 小結
第5章 求解多目標優(yōu)化問題的混合策略演化算法
5.1 引言
5.2 相關工作
5.2.1 關鍵技術
5.2.2 研究現狀
5.3 求解多目標優(yōu)化問題的基本思想
5.3.1 多目標優(yōu)化問題
5.3.2 強度Pareto優(yōu)化的基本思想
5.4 混合策略的Pareto演化規(guī)劃
5.5 實驗結果和分析
5.5.1 測試函數
5.5.2 占果分析
5.6 小結
第6章 興趣度量的優(yōu)化
6.1 關聯規(guī)則的興趣度量
6.1.1 興趣度量的目的
6.1.2 興趣度量的分類
6.2 發(fā)現度量約束下的規(guī)則
6.3 發(fā)現基于殘差的最優(yōu)相關規(guī)則
6.3.1 殘差分析
6.3.2 互信息量
6.3.3 用遺傳算法發(fā)現優(yōu)化相關規(guī)則GADCR
6.4 實驗
6.4.1 人工數據集上的實驗結果
6.4.2 真實數據集上的實驗結果
6.5 小結
第7章 數據集的優(yōu)化
7.1 離散化簡介
7.1.1 有監(jiān)督和無監(jiān)督離散化
7.1.2 一元與多元離散化
7.1.3 MVD
7.2 一種基于聚類的無監(jiān)督多元離散化方法EMVD—BDC
7.2.1 動機
7.2.2 EMVD-BDC
7.3 MVD的一種優(yōu)化算法OMVD
7.3.1 最大支持度差異（MSD）
7.3.2 用遺傳算法優(yōu)化MSD列表
7.4 實驗
7.4.1 人工數據集上的實驗
7.4.2 真實數據集上的實驗
7.5 小結
第8章 規(guī)則形式的簡化
8.1 最優(yōu)關聯規(guī)則的簡介
8.1.1 問題的提出和定義
8.1.2 發(fā)現最優(yōu)置信度規(guī)則的經典算法：FOCR
8.1.3 其他算法
8.2 發(fā)現最優(yōu)interest規(guī)則
8.2.1 問題的定義
8.2.2 發(fā)現最優(yōu)interest規(guī)則的算法FOCR
8.3 發(fā)現最優(yōu)相對密度規(guī)則
8.3.1 密度度量
8.3.2 相對密度度量
8.3.3 最優(yōu)相對密度規(guī)則的發(fā)現算法FORDAR
8.4 實驗
8.4.1 人工數據集上的實驗
8.4.2 真實數據集上的實驗
8.5 小結
第9章 基于混合策略的演化聚類算法
9.1 引言
9.2 模糊C均值聚類
9.2.1 模糊C均值聚類算法
9.2.2 模糊權和有效性函數
9.3 混合策略演化聚類算法
9.4 實驗結果和分析
9.4.1 人工數據集和真實數據集
9.4.2 有效性指標實驗分析
9.4.3 算法性能分析
9.4.4 參數選擇
9.5 小結
第10章 總結
參考文獻