針對數(shù)據(jù)集中的關聯(lián)規(guī)則挖掘問題,提出一種基于改進量子粒子群優(yōu)化（improved quantum particle swarm optimization,IQPSO）算法的關聯(lián)規(guī)則挖掘方法。首先,將數(shù)據(jù)實例以量子比特形式表示,構建一個基于量子進化算法（quantum evolutionary algorithm,QEA）的關聯(lián)規(guī)則挖掘基礎框架。然后,在該基礎框架上,采用新的量子角度更新公式,即使用QPSO代替QEA實現(xiàn)關聯(lián)規(guī)則挖掘。最后,為了進一步提高QPSO算法的收斂性能,融入變異機制和動態(tài)慣性權重對其進行改進,加快其收斂速度和跳出局部最優(yōu)的能力。在UCI和課程成績數(shù)據(jù)集上的實驗結果表明,提出的算法能夠快速且有效地挖掘出關聯(lián)規(guī)則,相比其他幾種算法,挖掘到的關聯(lián)規(guī)則價值更高。 

【文章來源】：山東科技大學學報(自然科學版). 2020,39(02)北大核心

【文章頁數(shù)】：10 頁

【部分圖文】：

20維Sphere函數(shù)的收斂曲線

接著,在固定最小置信度和最小支持度下,在不同數(shù)量的實例數(shù)據(jù)集上進行實驗,比較各種算法的執(zhí)行時間。其中,置信度設置為0.7,最小支持度設置為0.65,數(shù)據(jù)集實例數(shù)量為4 000到8 000,結果如圖3所示。可以看出,隨著實例數(shù)目的增加,算法的運行時間均逐漸增加。在各種情況下,IQPSO的運行時間都是最短的,且隨著實例數(shù)量的增加,改善效果更加明顯。圖3 不同實例數(shù)量下各種算法的執(zhí)行時間

圖2 不同支持度閾值下各種算法的執(zhí)行時間另外,對于課程成績數(shù)據(jù)集,由于實例數(shù)量較少,各種算法的運行時間都比較短(3 s以內(nèi))且差距很小,不像在幼兒園數(shù)據(jù)庫上能看出明顯差異。

【參考文獻】：
期刊論文
[1]量子粒子群算法在WSN三維定位中的研究[J]. 劉小園.  計算機應用與軟件. 2018(03)
[2]一種慣性權重與種群多樣性協(xié)同調(diào)整的二進制粒子群優(yōu)化算法[J]. 李浩君,張廣,王萬良.  小型微型計算機系統(tǒng). 2018(03)
[3]一種利用關聯(lián)規(guī)則挖掘的多標記分類算法[J]. 劉軍煜,賈修一.  軟件學報. 2017(11)
[4]測試不可靠條件下基于量子進化算法的測試優(yōu)化選擇[J]. 雷華軍,秦開宇.  電子學報. 2017(10)
[5]基于前綴項集的Apriori算法改進[J]. 于守健,周羿陽.  計算機應用與軟件. 2017(02)
[6]基于預判篩選的高效關聯(lián)規(guī)則挖掘算法[J]. 趙學健,孫知信,袁源.  電子與信息學報. 2016(07)



本文編號：3128452