用实数编码的遗传算法构造斜决策树

决策树方法是一种通过构造决策树来发现训练集中分类知识的数据采掘方法,其核心是如何构造决策树,构造决策树的关键是找出表示内部节点的最佳扩展属性。扩展属性有单属性和联合属性,由单属性形成的扩展属性集小,可以容易地找出最佳扩展属性,构造单元树的速度快,但是生成的单元树规模大,并可导致子树复制、一个属性的多次测试等;用联合属性作为扩展属性,生成的多元树规模小,能有效地克服单元树     

用遗传算法构造决策树

Ｃ４．５是一种归纳学习算法，它通过对一组事例的学习形成决策树形式的规则。由于Ｃ４．５采用的是局部探索的策略，它得到的决策树不一定是最优的。遗传算法是模拟自然进化的通用全局搜索算法。文中讨论了利用遗传算法的构造决策树的方法。     

基于实数编码的广义遗传算法及其在优化问题中的应用

对遗传算法中一些具有代表性的算法作了简要分析和评论，在此基础上将实数编码引入广义遗传算法，给出了一个算法框架，设计了相应的遗传操作方法，并将该算法应用于函数优化问题和神经网络训练问题，数值算例表明，该方法具有全局优化功能和快速收敛特性，对于求解复杂优化问题具有广泛的适用性。     

用遗传算法构造二元决策树

决策树的方法是一种优化的过程,遗传算法是模拟自然进化的通用全局搜索算法,文中将遗传算法应用到做到决策树,提出了采用遗传算法求解二元决策树的非叶结点的权值矢量,进而构造二元决策松的方法,并讨论了遗传算法的评介函数构造和编码方法,重点说明了如何对遗传算法进行改进,提高算法效率,然后分析了影响二元决策树错误分类率的因素,并用实例验证该方法构造的二元决策树对样本分类具有很高的辨识率。     

基于聚类小生境遗传算法的DNA编码优化

DNA编码优化问题是DNA计算中的核心问题。分析DNA编码优化的约束条件,在单链DNA序列集合上引入h距离,将聚类小生境技术应用于小种群遗传算法的构造,对DNA编码优化问题进行求解。基于h距离定义DNA序列间的相似函数,将碱基字母编码为4进制整数、DNA编码序列作为个体编码为4进制整数向量、种群编码为4进制整数矩阵,基于模4算术运算,构造相应的遗传算子,并给出DNA编码序列的具体计算结果。实验结果表明,与现有DNA编码序列优化结果相比,该算法可得到更好的DNA编码序列且计算效率较高。     

DNA遗传算法研究

DNA计算与遗传算法的集成起了科学界的广泛关注。交叉操作是DNA遗传算法（DNA-GA）的核心,其效率和精度直接影响到计算结果。论文主要介绍了DNA-GA计算过程中的交叉、变异问题及已有的几种主要的交叉变异方法,最后指出了DNA-GA存在的问题及研究方向。     

基于决策树的遗传算法在数据挖掘领域的应用

论文详细阐述了基于决策树的改进的遗传算法的编码技术和相关遗传算子的操作;同时强调说明了相对于当前数据挖掘领域的数据分类算法,论文中的新分类方法在从海量数据库中全局优化搜索分类规则集所显示出它的优越性。最后,通过实例比较结果,证实论文中算法切实可行,有较高搜索效率。     

一种基于编码等价变换和遗传算法的DNA序列优化设计

针对DNA计算中的DNA序列设计问题,基于6个DNA序列设计约束条件,将DNA序列设计问题转化为多目标优化问题,提出小生境遗传算法进行求解。算法利用DNA序列设计中的相似性约束与H-测度约束,在单链DNA序列集合上定义共享函数,利用两种类型的编码等价变换以及模4算术运算,构造了5个遗传算子,并给出具体的DNA序列设计结果。通过比较,算法可以得到质量更好的DNA序列,且在种群规模与进化代数方面具有更高的计算效率。     

基于文化遗传算法的DNA编码序列设计

DNA编码问题是DNA计算的关键,然而,它已被证明为NP困难问题,通常采用优化算法求解。针对传统遗传算法缺乏有效指导,容易陷入局部极值的缺点,结合文化算法采用种群空间和信念空间的双层进化结构进行寻优,提出了一种基于遗传算法和文化算法的混合优化算法用于解决DNA编码问题。仿真结果表明该混合算法能有效地用于DNA编码序列设计。     

基于纠错码编码理论的DNA编码研究

作为一种新的计算模式,DNA计算有着强大的计算能力,编码问题在DNA计算中占据重要的位置,有效的编码设计能够提高DNA计算的可靠性。基于纠错码编码理论,提出了一种新的DNA编码方法,该方法可以找出具有一定长度且满足汉明距离约束的DNA编码序列。最后,给出了该算法的仿真,结果表明了该算法的有效性。     

基于遗传算法的决策树优化模型

在分析C4.5算法原理的基础上,进一步讨论了C4.5算法在决策树的规模控制、属性选择、滤躁和去除不相关属性等方面的不足,讨论了决策树挖掘中对训练数据进行属性约简的必要性。从实用的角度提出了一种利用遗传算法进行寻优的、基于属性约简的决策树构建模型,并为此模型设计了一个适应度函数。该模型具有自适应的特点,通过调整适应度函数的参数,可以约束遗传算法的寻优方向,实现对决策树的优化。实验表明,决策树寻优后,在所用训练集属性减少的同时,分类精度却有一定程度的提高,而分类规则的规模却降低了,因此,该模型具有一定的实用价值。     

一种改进的决策树遗传算法融合模型

针对目前遗传算法存在随机性大、收敛速度慢等缺点,文章提出了一种改进的决策树遗传算法融合模型。该分类模型充分发挥了遗传算法的优点,有效提高分类的准确度,将模型应用到电信行业客户流失分析中,验证了该算法的可行性和有效性。     

基于决策树及遗传算法的人工免疫入侵检测算法

针对传统的否定选择算法中生成大量无效抗体,并且抗体之间缺乏多样性的问题,设计了基于决策树及遗传算法的人工免疫入侵检测算法。将决策树和遗传算法引入传统的否定选择算法中,利用决策树计算抗原和抗体之间的亲和力,提出了新fitness的计算公式,并利用抗体浓度衡量抗体集的多样性,将低浓度抗体代替高浓度抗体,实现了抗体的多样性,确保了当抗体集的数量一定时尽可能覆盖最大的非自体集空间,以提高抗体集的性能。     

基于遗传算法优化决策树的肿瘤基因分类研究

基于多类别肿瘤基因表达谱数据集,从研究肿瘤与正常组织的分类入手,对肿瘤分类特征基因选取问题进行分析和研究。将决策树算法应用到肿瘤基因表达谱分类研究中,尝试引入遗传算法,对决策树分类规则进行优化。试验结果表明,在样本有限的情况下,该方法比单个决策树具有更高的分类精度。     

基于遗传算法的二叉树画树算法

用遗传算法设计了一种通用二叉树画树算法框架.在该框架下,可以根据应用的不同,通过设 计反映美观标准的不同目标函数来得到不同的画树算法,而且容易添加或减少美观标准以适 应不同用户的需要.与以前的算法相比,此算法具有算法统一、方法简单、容易实现和易于修 改的优点,并且具有自适应、自学习和易于并行化的特点.     

基于粗糙集的决策树构造算法

针对ID3算法构造决策树复杂、分类效率不高问题,基于粗糙集理论提出一种决策树构造算法。该算法采用加权分类粗糙度作为节点选择属性的启发函数,与信息增益相比,能全面地刻画属性分类的综合贡献能力,并且计算简单。为消除噪声对选择属性和生成叶节点的影响,利用变精度粗糙集模型对该算法进行优化。实验结果表明,该算法构造的决策树在规模与分类效率上均优于ID3算法。     

基于关联规则的决策树算法

通过将关联规则与决策树算法相结合,形成一种基于关联规则的决策树算法。该算法对不同时期同一事务的异种数据结构进行处理,得到一种可扩展的多分支分类决策树,使得改进后的决策树算法具有良好的可扩展性。该算法解决了传统分类算法在数据集维度发生变化时分类过程无法持续进行的问题。     

一种基于FP_Tree算法的决策树构造方法

针对大规模训练元组决策树构造效率较低的问题,提出一种改进的决策树构造方法。该方法利用FP_Tree算法,比采用经典Apriori算法节省了更多内存开销。使用FP_Tree路径替代经典算法中训练元组的分裂计算,得到与原算法相同的决策树模型。实验结果证明,改进后的方法具有良好性能。     

基于改进遗传算法的分形图像编码

为解决传统分形图像编码方案中块匹配时间过长的问题,提出一种结合图像块平均偏差的改进遗传算法,利用改进遗传算法的最优解搜索能力替代分形图像编码中复杂的块匹配过程,结合对比度因子的约束,限定遗传算法的搜索空间,缩短编码时间。实验结果表明,该方法与结合遗传算法的同类改进算法相比,能在缩短编码时间的同时,有效提高解压图像质量。