基于遗传算法的数据挖掘技术应用

{
05 2
% ,-) - 6 % ,-) - % -0.
， 当 6 & % -!. ， 当 6 4 % -!.
， 0 5 的初始值取为 & " &&# "
05 3 3 3 3 3
其中， 6 某次参与变异操作的个体的适应度， % ,-) 为群体最大适应度， % - ! . 为群体平均适应度 " #& ）代沟 7 ： 代沟控制着每一代群体构成中个体被更新的百分比， 即在 * 代有 8 （# 1 7） 个体 结构 选择复 制到 * , # 代解群体中 " 通过代沟可以加速遗传算法的收敛过程 " 7 取值为 & " 2’ " ## ）终止： 当遗传算法运行到指定的代沟 （ 7） 之后 且 前后 两代种 群的最 优适 应度的 差异 （（ . %# - %! ） $ %# . 4 !） 在一定的范围里就停止运算 " 遗传操作程序流程见图 ! " 在进行数据挖掘的过程中， 由于数据本身的复杂性， 通常将数据抽取到数据挖掘库中并数据清洗和预处 理， 然后进行挖掘 3 通过 456 语句我们将客户信息放在一个临时表进行预编码， 然后把临时表的数据抽取到 挖掘库中， 挖掘库的数据结构见表 !3
第 !B 卷第 & 期 + + + !""’ 年 , 月
+ + +
南昌大学学报・工科版 A9C:3>7 9D E>36;>38 F35G2:H54I （ J385322:538 K .26;39798I ）
L97- !B E9- & + =>:- !""’
+ + 文章编号： &""% $ "#’% （ !""’ ） "& $ "")& $ "#
一代中的生存的期望数目减去 ) ) $ ； 反之该个体的生存期望数目减去 ! ， 然后将期望值 + 的小数部分按值的 大小进行列表， 自大到小一次选择， 直到选满为止 ) 此种选择机制有利于克服赌轮选择机制所产生的随机性 ) ’ ）交叉算子： 由于我们的编码是采用多参数编码技术， 考虑到码串的特点， 采用两点交叉 ) ( ）变异算子： 采用基本变异算子， 对于年龄基因座则以小于 !) 的随机整数进行变异 ) 万方数据 + ： $ ）群体规模 当 + 取 较 小 值 时， 可 以 提 高 遗 传 算法的进化数据， 却降低了群体的多样性并有可能引
第 # 期7 7 7 7 7 7
王东龙等： 基于遗传算法的数据挖掘技术应用
・ +2・
起遗传算法的早熟现象； 而当 ! 取值较大时， 又会 使 遗 传 算 法 进 化 缓 慢 " 所 以 综 合 考 虑 这 两 个 方 面， ! 取值 为 ! # $ ! " #$ " $ ）适应度函数 （ % &） ： 商场的最佳客户群， 即可以从客户处取得最大利润的客户群体 " % ）从客户处取得的利润则是从客户的累计购买金额乘以 ! ’ ， 减去每次购买的手续费 & " ’ 元 " 因而目标 客户的年龄下限 就是要寻找每个客户平均利润最大且满足一定规模的客户群 " 另外还要增加一个约束条件： 必须小于客户的年龄上限 " 目标函数可设为： （ * &） （ / & ）- #& ( （ & ）) ()* （ ）, ()* （ -. .） + #& 其中， （ * &） 符合 & 基因串的客户群的总利润； + 为所有客户的总利润； （ / &） 为 & 基因串年龄间距 " 一般来说， 在遗传优化的初始阶段希望选择强度稍微低一些， 以免遗传群体被一个或少数几个适应度较 高的个体所支配； 在遗传优化后期， 由于群体的差异比较小， 继续优化的潜能较低， 因此有必要适度地提高选 择强度， 以便遗传算法收敛到一个更优的解［ # ］" 所以适应度函数设计为： （ % & ）) #&&()* （ - &" # ( （ &） ） + ）交叉概率 0 1 ： 交叉概率 0 1 控制交换操作被使用的频度， 较高的 01 可以达到更大的解空间， 从而降低 了停留在非最优解上的几率， 但是 0 1 太大了又会耗费大量的时间在搜索不必要的解空间上 " 为此， 可以 采用 自适应调整的 01 ： 01 )
/,! $
表 !" 信息组成数据表结构 客户 !" !) )+, !) )++ !) !)) !) !)! 客户 年龄 (% (+ %! ’% 收入 水平 中等 中等 低 高 家庭 人口 ( & $ % 性别 女 男 男 女 累计购 买金额 ! $)) ’)) ( $%) + ,)) 累计购 买次数 !’ ( ($ !&)
基于遗传算法的数据挖掘技术应用
王东龙， 李茂青
（ 厦门大学 计算机与信息工程学院， 福建 厦门 ,%&""’ ）
+ + 摘要： 本文对数据挖掘进行了概述， 阐明了数据 挖 掘 的 概 念、 数据挖掘在商业中的意义- 提出了数据挖掘技术 中的一个重要算法— — —遗传算法的基本原理以及遗传算法在数据挖掘技术中的地 位 - 结 合 大 型 商 场 管 理 系 统 提 出 了一种基于遗传算法的最优客户群体数据挖掘算法， 以 实 例 说 明 了 应 用 遗 传 算 法 中 需 要 注 意 的 一 些 问 题， 并讨论 了数据挖掘技术所面临的问题和挑战 关键词： 遗传算法； 数据挖掘； 最优客户群体； 模型 ./,"&- %+ + + + 文献标识码： 0 中图分类号：
#" 遗传算法在数据挖掘中的应用
下面我们讨论一下遗传算法在大型商场数据库中寻找最佳客户群中的应 用 # 已 知 客 户 的 信 息 组 成 数 据 表结构如表 ! ： " " 根据客户数据中的条件采用五个染色体来定义 客户类型， 即： ! ）客 户 的 年 龄 下 限； & ）客 户 的 年 龄 上限； ’ ）客户的收入水平， 分成高、 中、 低 三 等， 分别 用 )) 、 )! 、 !) 表示； ( ）客户的家 庭 人 口 状 况， 分成少 （ ! * & 人） 、 一般 （’ * ( 人） 、 多 （( 人以上） 三种状 况， 分别用 )) 、 )! 、 !) 表 示 # $ ）客 户 的 性 别， 用) 表 示女， 用 ! 表示男 # # # 遗传算法中需要设计的有染色体个体编码、 初始种群、 适应度函数、 选择算子、 交叉算子、 变异算子等， 关 键参数主要有群体规模 $ 、 交叉概率 % & 、 变异概率 % ’ 、 代沟 ( 等 ) 这些对算法的运行性能影响较大， 必须综合 考虑， 认真设计 ) 具体算法及说明如下： ! ）编码策略及编码串长度 * ： 由于参数比较多， 对此类问题我们可以采用多参数编码技术 ) 基本思想就 是把每个参数先进行编码得到子串， 再把这些子串连成一个完整的染色体 ) 例如， () - $$ - 中等 - 一般 - 女 的基 因位串表示年龄在 () * $$ 岁之间、 中等收入、 家庭人口一般、 性别女 的 客 户 群， 如果采用二进制编码势必产 生非常多的致死基因， 因此我们采用整数编码与二进制编码相结合的编码技术， 例 如， () - $$ - 中 等 - 一 般 - 女 的编码串为 () - $$ - )! - )! - ) ) & ）选择算子： 采用确定性期望值模型选择机制， 即先按期望值 0 "（ - ./ ） ］ 的整数部分安排个体被 选中的次数， 若 个 体 被 选 中 参 与 配 对 和 交 叉， 则他在下 +, ［ $ ・（ - ./ ）
数据挖掘是对观测到的数据集 （ 经常是很庞大的） 进行分析， 目的 是发 现未知 的关系 和以数 据拥 有者可 数据挖 掘是从 大量的、 不完 全 的、 有 噪 声 的、 以理解并对其有价值的新颖方式来总结数据［ & ］- 从技术角 度看， 模糊的、 随机的实际数据中提取隐含在其中的、 人们不知道的、 但又是潜在有用的信息和知识的过程； 从商业 的角度来看， 数据挖掘是一种崭新的商业信息处理技术， 其主要的特点是对商业数据库中大量业务数据进行 抽取、 转化、 分析和模 式 化 处 理， 从 中 提 取 辅 助 商 业 决 策 的 关 键 知 识， 即从一个数据库中发现相关商业模 式［ ! ］- 由于超大规模数据库的出现、 先进的计算机技术、 经营管 理的实 际需 要和对 这些数 据的 精 深 计 算 能 力 促使了数据挖掘的诞生、 快速发展和广泛应用 - 可以说， 数据挖掘其实是信息技术逐渐演化的结果， 是人们长 强大的多处理器计算机和数据挖掘算法这三种 期对数据库技术进行研究和开发的结果 - 随着海量数据搜集、 基础技术的发展成熟， 数据挖掘技术在商业应用中开始得到广泛的重视 - 而遗传算法是众多挖掘技术中最重 要的一种技术 - 它可以从数据仓库的大量数据中筛选信 息， 寻找 市场可能 出现的 运 营 模 式， 挖掘人们所不知 道的事实 -
{
01 2
% ,-) - & ,-) % ,-) - % - ! .
， 当 & ,-) & % - ! . ， 当 & ,-) 4 % - ! .
， 0 1 的初始值取为 & " !’ "
01 3 3 3 3 3
其中， & ,-) 为某次参与交叉操作的两个个体中适应度较 大的 一个， % ,-) 为 群 体 最 大 适 应 度， % -!. 为 群 体 平 均 适应度 " / ）Байду номын сангаас异概率 0 5 ： 变异概率 0 5 控制新基因导入群体 的 比 例， 若 太 低， 一 些 有 用 的 基 因 就 不 能 进 入 选 择； 若太高， 随机的变化太多， 则后代就可能失去从双亲继承下来的好特性 " 为此， 可以采用自适应调整的 0 5 ： 05 )