数据挖掘之遗传算法.pptVIP

Data Mining: Concepts and Techniques 遗传算法在数据挖掘中的应用 特征选择 分类器的优化： 参数优化； 结构优化； 集成系统的构建： 基分类器的选择； 集成方式的选择； 染色体（Chromos）：染色体是指对个体进行编码后所得到的编码串。染色体中的每1位称为基因，染色体上由若干个基因构成的一个有效信息段称为基因组。 适应度（Fitness）函数：适应度函数是一种用来对种群中各个个体的环境适应性进行度量的函数。其函数值是遗传算法实现优胜劣汰的主要依据 遗传操作（Genetic Operator）：遗传操作是指作用于种群而产生新的种群的操作。 标准的遗传操作包括以下3种基本形式： 选择（Selection） 交叉（Crosssover） 变异（Mutation） 遗传算法的应用领域 （1）组合优化 （2）函数优化 （3）自动控制 （4）生产调度 （5）图像处理 （6）机器学习 （7）人工生命 （8）数据挖掘 遗传规划 Koza教授在1992年提出的一种新的进化计算方法 遗传算法的一个分支，算法框架与遗传算法的框架相同 个体采用树形结构 在初始化个体前，必须为两类节点选择合适的候选解： 作为枝节点的候选集通常称为函数集（function set） 作为叶节点的候选集通常称为终止符集（terminal set） 每个个体都可以认为是一个决策树 个体的生成 使用Ramped Half-and-Half (Koza, 1992)方法产生初始种群：将树分成两部分，将个体在各个深度之间进行均匀划分，使各个深度中，一部分树部分随机生长，一部分树完全生长； 需要使用某些技术来控制遗传规划进化中的膨胀现象 交叉算子 变异算子 遗传规划的交叉与变异操作 * * 进化计算（Evolutionary Computation,EC）是在达尔文（Darwin）的进化论和孟德尔（Mendel）的遗传变异理论的基础上产生的一种在基因和种群层次上模拟自然界生物进化过程与机制的问题求解技术。它主要包括 遗传算法（Genetic Algorithm，GA） 进化策略（Evolutionary Strategy,ES） 进化规划（Evolutionary Programming,EP） 遗传规划（Genetic Programming,GP）四大分支。 其中，第一个分支是进化计算中最初形成的一种具有普遍影响的模拟进化优化算法。因此我们主要讨论遗传算法。 进化计算 进化计算是一种模拟自然界生物进化过程与机制进行问题求解的自组织、自适应的随机有哪些信誉好的足球投注网站技术。它以达尔文进化论的“物竟天择、适者生存”作为算法的进化规则，并结合孟德尔的遗传变异理论，将生物进化过程中的 繁殖（Reproduction） 变异（Mutation） 竞争（Competition） 选择（Selection） 引入到了算法中。 进化计算概述 什么是进化计算 进化计算的生物学基础 自然界生物进化过程是进化计算的生物学基础，它主要包括遗传(Heredity)、变异(Mutation)和进化(Evolution)理论。 ① 遗传理论 遗传是指父代利用遗传基因将自身的基因信息传递给子代，使子代能够继承其父代的特征或性状的这种生命现象。 在自然界，构成生物基本结构与功能的单位是细胞（Cell）。 细胞中含有一种包含着所有遗传信息的复杂而又微小的丝状化合物，人们称其为染色体（Chromosome）。在染色体中，遗传信息由基因（Gene）所组成，基因决定着生物的性状，是遗传的基本单位。 进化计算概述 ② 变异理论 变异是指子代和父代之间，以及子代的各个不同个体之间产生差异的现象。变异是生物进化过程中发生的一种随机现象，是一种不可逆过程，在生物多样性方面具有不可替代的作用。引起变异的主要原因有以下两种： 杂交，是指有性生殖生物在繁殖下一代时两个同源染色体之间的交配重组，即两个染色体在某一相同处被切断后再进行交配重组，形成两个新的染色体。 变异，是指在细胞复制过程中因DNA上某些基因结构的随机改变而产生出新的染色体。 ③ 进化论 进化是指在生物延续生存过程中，逐渐适应其生存环境，使得其品质不断得到改良的这种生命现象。遗传和变异是生物进化的两种基本现象，优胜劣汰、适者生存是生物进化的基本规律。 达尔文的自然选择学说认为：在生物进化中，一种基因有可能发生变异而产生出另一种新的生物基