论文部分内容阅读
群体智能是一种由无智能或简单智能的个体通过任何形式的聚集协同而表现出智能行为。它所具有的分布式组织模型对解决复杂组合优化问题、分布控制问题提供了很好的思路。目前对群体智能的研究仍处于初级阶段,但是由于它在许多领域中都表现出令人满意的寻优性能,所以越来越受到相关领域学者的关注。本文首先介绍了蚁群算法的发展历程、理论基础和应用领域,接着简要介绍了其他目前比较流行的四种新型仿生优化算法:粒子群算法、遗传算法、人工神经网络、人工免疫算法,并深入分析了蚁群算法与这些仿生优化算法的异同之处。蚁群优化是人工智能领域中群体智能分支之一,已成功地应用于复杂优化问题的求解,但其在知识发现领域的应用还是一个新的研究课题。本文提出一种新的基于蚁群优化的分类规则挖掘方法,先利用蚁群算法通过对属性约简简化数据集,再使用蚁群算法进行分类规则的挖掘,并用新的规则剪枝方法,提高了分类算法的效率和分类准确率。实验表明该方法是有效的。随着分布式计算环境的广泛应用,其数据和计算能力分布在不同的节点,分布式数据挖掘技术研究成为一个新的研究热点。本文提出了一种基于蚁群算法的分布式分类规则挖掘算法,同时对多个场地的训练集挖掘,不仅可以获得较高的分类准确率,而且可以充分发挥分布式处理速度快和节省集成存储空间的优势。本文最后提出了基于蚁群算法的分布式知识管理系统的多Agent框架模型,并以学生成绩分析为例简单分析了在分布式知识管理中基于蚁群算法的分布式数据挖掘的具体应用步骤。