基于数据挖掘的遗传算法
基于遗传算法的大数据分析技术研究
基于遗传算法的大数据分析技术研究摘要：本文对遗传算法在数据挖掘中的应用进行了广泛的研究，阐明了数据挖掘的定义和常用技术，对遗传算法在数据挖掘领域中实现的原理和目前应用进行了详细阐述，并讨论了遗传算法在数据挖掘中所面临的问题。
关键字：遗传算法；数据挖掘1.引言近年来，数据挖掘（Data Mining）已成为企业热门的话题。
简单来说数据挖掘就是在庞大的数据库中寻找出有价值的隐藏信息。
更广义的说法是：数据挖掘意味着在一些事实或观察数据的集合中寻找模式的决策支持过程。
在当今这样一个数据爆炸但知识相对贫乏的时代，如何解决数据过多造成的问题，此时就需要用到数据挖掘技术。
然而在各种数据挖掘方法中，都有其自身的局限性。
遗传算法是基于生物进化原理的一种自适应优化方法。
将数据挖掘技术与遗传算法相结合，可以使其更有效的发挥二者各自的特点，弥补彼此的不足，并把遗传算法运用在数据挖掘系统中能够较好地解决数据挖掘技术中出现的问题。
1.概述2．1数据挖掘的含义从技术上讲，数据挖掘（Data Mining）就是从大量的、不完全的、有噪声的、模糊的、随机的实际应用数据中，提取隐含在其中的、人们事先不知道的、但又有潜在有用的信息与知识的过程。
这个定义包含了数层含义：数据源必须是真实的、大量的、含噪声的；知识发现的是用户感兴趣的知识；发现的知识要可接受、可理解、可运用；并不要求发现放之四海皆准的知识，仅支持特定的发现问题。
这里所指的知识发现，不是要求发现放之四海而皆准的真理，也不是要去发现崭新的自然科学定理和纯数学公式，更不是什么机器定理证明。
事实上，所有发现的知识都是相对的，是有特定前提和约束条件，面向特定领域的，同时还要能够易于被用户理解。
它最好能用自然语言表达所发现的结果。
从商业角度讲：数据挖掘是一种新的商业信息处理技术，其主要特点是对商业数据库中的大量业务数据进行抽取、转换、分析以及其他模型化处理，从而提取出辅助商业决策的关键性数据。
数据挖掘十大经典算法
数据挖掘十大经典算法数据挖掘是通过分析大量数据来发现隐藏的模式和关联，提供商业决策支持的过程。
在数据挖掘中，算法起着至关重要的作用，因为它们能够帮助我们从数据中提取有用的信息。
以下是十大经典的数据挖掘算法：1.决策树算法：决策树是一种基于分层选择的预测模型，它使用树状图的结构来表示决策规则。
决策树算法适用于分类和回归问题，并且可以解释性强。
常用的决策树算法有ID3、C4.5和CART。
2.朴素贝叶斯算法：朴素贝叶斯是一种基于概率的分类算法，它假设特征之间是相互独立的。
朴素贝叶斯算法简单有效，适用于大规模数据集和高维数据。
3.支持向量机（SVM）算法：SVM是一种针对分类和回归问题的监督学习算法，它通过构建一个最优的超平面来实现分类。
SVM在处理非线性问题时使用核函数进行转换，具有较强的泛化能力。
4.K近邻算法：K近邻是一种基于实例的分类算法，它通过找到与目标实例最接近的K个邻居来确定目标实例的类别。
K近邻算法简单易懂，但对于大规模数据集的计算成本较高。
5.聚类算法：聚类是一种无监督学习算法，它将相似的实例聚集在一起形成簇。
常用的聚类算法有K均值聚类、层次聚类和DBSCAN等。
6.主成分分析（PCA）算法：PCA是一种常用的降维算法，它通过线性变换将原始数据转换为具有更少维度的新数据。
PCA能够保留原始数据的大部分信息，并且可以降低计算的复杂性。
7. 关联规则算法：关联规则用于发现项集之间的关联关系，常用于市场篮子分析和推荐系统。
Apriori算法是一个经典的关联规则算法。
8.神经网络算法：神经网络是一种模仿人脑神经元通信方式的机器学习算法，它能够学习和适应数据。
神经网络适用于各种问题的处理，但对于参数选择和计算量较大。
9.随机森林算法：随机森林是一种基于决策树的集成学习算法，它通过建立多个决策树来提高预测的准确性。
随机森林具有较强的鲁棒性和泛化能力。
10.改进的遗传算法：遗传算法是一种模拟生物进化过程的优化算法，在数据挖掘中常用于最优解。
基于遗传算法的数据挖掘方法及应用
（ ． ｐ ｒ ｎ ｆＣｏ ｕ ｅ ｃ ｅ ｃ ，Ｈｕ ａ ｇ ｎ ｅ ｎ ｎ ｔ ｕ ｅ １ Ｄｅ ａ ｔ ｍｅ ｔ ｍｐ ｔｒＳ ｉ ｎ ｅ ｏ ｎ ｎ Ｅｎ ｉ ｅ ｒ ｇ Ｉ ｓｉ ｔ，Ｘｉ ｎ ｔｎ ４ １ ０１ Ｃｈ ｎ ； ． ｃ ｏ ｌ ｆＩ ｆ ｒ ｔ ｎ Ｓ ｓｅ ｉ ｔ ａ ｇ ａ １ １ ， ｉ ａ ２ Ｓ ｈ ｏ ｎ ｏ ｍａ ｉ ｙ ｔ ｍ ｏ ｏ
维普资讯
第２ ７卷
程
大
学
学
报
Ｖ １７ Ｓ ｐｌ ｏ． ｕ ｐ ２ Ｊ １２ ０ ｕ． ０ ６
２０ ０ ６年 ７月
Ｊ ｕ ｎ ｌ ｏ Ｈａ ｂ ｎ Ｅ ｇ ｎ ｅ ｎ Ｕｎ ｖ ｒ ｉ ｏ ｒ ａ ｆ ｒ ｉ ｎ ｉｅｒ ｇ ｉ ｉ ｅ ｓｔ ｙ
ｓｍ ｌ ｒ ｂ ｅ ． ｅｅ ｄ ｏ ｉ ｐ ｐ ｒ ｔｅ ｅ ｐ ｒｍｅ ｔ ｌ ｅ ｕ ｔ ａ ｅｓ ｏ ａ ｅｐ ｏ ｏ ｅ ｐ ｒ ａ ｈ ｈ ｓｇ ｏ ｅ ｏ ａ ｃ ｉ ａ ｐ ｏ ｌｍｓ Ａｔ ｈ ｎ ｆｔ ｓ ａ ｅ ， ｘ ｅ ｉ ｒ ｔ ｈ ｈ ｉ ｎ ａ ｓ ｌ ｈ ｖ ｈ ｗｎ ｔ ｔ ｒ ｐ ｓ ｄ ａ ｐ ｏ ｃ ａ ｏ ｄｐ ｒ ｒ ｎ ｅ ｒ ｓ ｈ ｔ ｈ ｆ ｍ
关键字 ：遗传算法；数据挖掘；车间作业 调度 ：规则 中图分类号：Ｔ １ ，Ｔ ３ ２ Ｐ ８ Ｐ １ 文献标识码：Ａ 文章编号 ：１０ —０ ３ ２ ０ ） ０ ８—５ ０ ６７ ４ （０ ６增一３ ４０
Ｔｈ ａ ａ ｍ ｉ ｉ ｇａ ｇ ｒｔ ｍ ａ ｅ ｎ ｇ ｎ ｔｃａ ｇ ｒｔ ｍ ｎ ｓａ ｐ ｉａ ｉ ｎ ｅｄ ｔ ｎ ｎ ｌ ｏ ｉｈ ｂ ｓ ｄ ｏ ｅ ｅ ｉ ｌ ｏ ｉ ｈ ａ ｄ ｉ ｐ ｌ ｔｏ ｔ ｃ
基于遗传算法的特征选择方法研究
基于遗传算法的特征选择方法研究引言数据中的特征选择一直以来都是机器学习和数据挖掘领域的关键问题之一。
特征选择是从大量的特征中选择出最具有代表性和对目标任务最有用的特征。
在实际应用中，选择合适的特征可以提高机器学习算法的准确性、降低计算复杂度并减少存储需求。
在本文中，我们将介绍基于遗传算法的特征选择方法，并分析其在各个领域的应用及优势。
一、遗传算法简介遗传算法是一种模拟自然生物进化过程的优化算法，通过模拟自然界生物种群的演化，以寻找最佳解。
遗传算法主要包括选择、交叉、变异等基本操作。
通过对种群中个体的适应度评估和选择，以及基因的交叉和变异，可以不断优化求解问题的适应度值，并逐渐逼近最优解。
二、特征选择的方法特征选择方法可以分为三大类：过滤式方法、包装式方法和嵌入式方法。
过滤式方法通过计算特征的相关性或者信息熵等指标，独立于具体的学习算法，从而选择出最具有代表性的特征。
包装式方法则将特征选择问题视为一个优化问题，利用机器学习算法的性能评估指标作为目标函数，通过搜索算法选择出最优的特征子集。
嵌入式方法则将特征选择融入到学习算法中，通过学习算法自身的优化过程选择出最优的特征子集。
三、基于遗传算法的特征选择方法基于遗传算法的特征选择方法是一种包装式方法，它通过自动优化特征子集的选择，提高机器学习算法的性能。
其基本思想是将特征子集表示为二进制编码的染色体，并使用遗传算法进行进化优化。
具体而言，基于遗传算法的特征选择方法包括以下步骤：1. 初始化种群：随机生成一定数量的个体作为种群。
2. 适应度评估：根据染色体表示的特征子集，使用机器学习算法训练模型，并根据模型的性能评估指标计算每个个体的适应度。
3. 选择操作：根据个体的适应度值，使用选择算子选择出一部分优秀的个体作为父代。
4. 交叉操作：从父代中选择两个个体，通过交叉算子生成下一代的染色体。
5. 变异操作：对新生成的染色体应用变异算子进行变异操作，引入新的基因。
基于遗传算法与神经网络混合算法的数据挖掘技术综述
基于遗传算法与神经网络混合算法的数据挖掘技术综述摘要：数据挖掘是对大型数据库的数据进行统计分析、提取信息的方法，其基础是人工智能技术。
遗传算法和神经网络是人工智能技术中最重要的技术。
通过对遗传算法和神经网络的特征分析，阐述了遗传算法与神经网络混合算法在数据挖掘中的应用，指出了数据挖掘技术未来发展的方向。
关键词：数据挖掘；数据库；遗传算法；神经网络1遗传算法基本特征遗传算法是模拟达尔文的遗传选择和自然淘汰的生物进化过程的计算模型，是一种具有广泛适用性的通用优化搜索方法。
遗传算法主要借用了生物遗传学的观点，通过自然选择、遗传和变异等作用机制来产生下一代种群，如此逐代进化，直至得到满足要求的后代即问题的解，是一种公认的全局搜索能力较强的算法。
遗传算法有良好智能性，易于并行，减少了陷于局部最优解的风险。
遗传算法的处理对象不是参数本身，而是对参数集进行了编码的个体，可以直接对集合、队列、矩阵、图表等结构进行操作。
同时，在标准的遗传算法中，基本上不用搜索空间的知识或其它辅助信息，而仅用适应度函数值来评估个体，并在此基础上进行遗传操作；遗传算法不是采用确定性规则，而是采用概率的变迁规则来指导它的搜寻方向。
正是这些特征和优点，使得遗传算法在数据挖掘技术中占有很重要的地位，既可以用来挖掘分类模式、聚类模式、依赖模式、层次模式，也可用于评估其它算法的适合度。
2神经网络基本特征神经网络是人脑或自然神经网络若干基本特征的抽象和模拟，是以大量的、同时也是很简单的处理单元（神经元）广泛地互相连接形成的复杂非线性系统。
人工神经网络本质上是一个分布式矩阵结构，它根据样本的输入输出对加权法进行自我调整，从而近似模拟出输入、输出内在隐含的映射关系。
建模时，不必考虑各个因素之间的相互作用及各个因素对输出结果的影响机制，这恰好弥补了人们对各个因素及对输出结果的机制不清楚的缺陷，从而解决众多用以往方法很难解决的问题。
神经网络具有大规模的并行处理和分布式的信息存储，有良好的自适应、自组织性，学习能力很强，有较强的联想功能和容错功能，在解决机理比较复杂、无法用数学模型来刻画的问题，甚至对其机理一无所知的问题等，神经网络方法特别适用，是一种用于预测、评价、分类、模式识别、过程控制等各种数据处理场合的计算方法，其应用已经渗透到多个领域，在计算机视觉、模式识别、智能控制、非线性优化、信号处理、经济和机器人等方面取得了可喜的进展。
基于遗传算法的数据挖掘优化研究
基于遗传算法的数据挖掘优化研究随着人工智能和大数据的发展，数据挖掘在企业和研究领域中变得越来越重要。
为了提高数据挖掘的效果和精度，研究人员提出了各种算法和方法。
本文将介绍一种基于遗传算法的数据挖掘优化研究。
一、数据挖掘的意义和现状在大数据的时代，数据成为了企业和研究的重要资产和资源。
然而，如何从海量的数据中发掘出有用的信息和知识，成为了研究和应用领域中的难题。
数据挖掘作为一种从大规模数据中自动探测出潜在模式、规律、趋势和关联的技术，具有重要的意义和价值。
目前，数据挖掘已经被广泛应用于金融、医疗、教育、电子商务、物流等领域。
例如，在金融领域中，数据挖掘可以帮助银行对欺诈行为进行预测和监测；在医疗领域中，数据挖掘可以帮助医生对病人进行诊断和预测。
然而，数据挖掘存在一些问题和挑战。
首先，数据的质量和准确度对数据挖掘的结果有很大影响。
其次，数据挖掘需要处理的数据量大且复杂，运算成本高、时间复杂度高。
为了解决这些问题，研究人员提出了各种算法和技术。
二、遗传算法的原理和应用遗传算法（Genetic Algorithm，GA）是一种模拟自然进化过程的优化方法，是计算机智能领域中的一种有效的问题求解和优化工具。
遗传算法的主要特点是具有全局优化和并行搜索的能力，并且能够在搜索空间中寻找最优解。
遗传算法的核心思想是通过模拟自然进化过程，通过适应度函数的评估来找到问题的最优解。
遗传算法主要包含三个阶段：选择、交叉和变异。
首先，选择阶段通过适应度函数的评估，保留较优的个体。
其次，交叉阶段将较优的个体进行组合，生成新的个体。
最后，变异阶段在新个体中引入随机变化，以增加搜索空间。
遗传算法可以应用于很多领域的问题求解和优化，例如网络设计、图像识别和数据挖掘等。
在数据挖掘中，遗传算法可以应用于特征选择、聚类、分类等领域。
特别地，遗传算法可以优化数据挖掘模型的参数和结构，提高其预测精度和性能。
三、基于遗传算法的数据挖掘优化研究基于遗传算法的数据挖掘优化研究，是将遗传算法应用于数据挖掘领域的一种研究方法。
基于遗传算法的数据分类研究
基于遗传算法的数据分类研究数据分类是数据挖掘领域中一个非常重要的研究方向，其目的是将数据集中的各个数据项按照一定的规则分成不同的类别，便于对大量数据进行处理和分析。
而遗传算法，则是一种模拟生物进化过程的计算方法，可以有效地解决复杂问题。
本文将介绍基于遗传算法的数据分类研究，分析其优势和应用前景。
一、遗传算法的基本原理遗传算法基于进化论中的生物进化过程，将生物进化的基本规律应用到计算机算法中。
其基本原理包括选择、交叉、变异等步骤，类似于生物进化中的天然选择、基因交叉和基因突变等过程。
简单来说，遗传算法通过不断的优胜略汰、交叉和变异，逐步优化解决问题的结果，最终得到最优解。
二、基于遗传算法的数据分类方法在基于遗传算法的数据分类研究中，首先需要确定分类标准，即划分数据集的规则和方法。
可以根据数据的属性分类（属性划分）、根据决策规则分类（规则分类）或根据距离分类（聚类分类）等不同方式进行数据分类。
然后，利用遗传算法对数据进行选择、交叉和变异，逐步将数据项划分为各个类别，完成数据分类过程。
三、基于遗传算法的数据分类优势相对于传统的数据分类方法，基于遗传算法的数据分类具有以下优势：1. 自适应性强：遗传算法能够根据不同的环境和数据集自适应地调整分类标准和方案，适应复杂和不稳定的数据环境。
2. 鲁棒性高：遗传算法具有较高的鲁棒性和韧性，能够有效地应对数据噪声和异常值等问题，较少出现过拟合和欠拟合现象。
3. 可解释性好：基于遗传算法的数据分类方法不仅能够得到最优分类结果，还能够给出相应的分类规则和决策规则，具有较好的可解释性。
4. 应用领域广：基于遗传算法的数据分类方法不仅适用于数据挖掘领域，还能够广泛应用于机器学习、智能控制、模式识别等领域。
四、基于遗传算法的数据分类应用前景随着大数据时代的到来，数据分类作为数据挖掘的核心技术之一，已经成为各个领域中的研究热点。
而基于遗传算法的数据分类方法，则有望在未来成为数据分类领域中的主流技术。
遗传算法在数据挖掘中的应用
郑州
４０ １ ） ５ ０ １
要 】 文对 数 据 挖 掘进 行 了概 述 ， 明 了数 据 挖 掘 的 概 念 、 本 阐 方法 及 其 重要 性 。 次 介 绍 了数 据 挖掘 中 的一 个 重要 算 法一 其 一遗传 算 法 。 对
遗 传 算 法的 产 生 与发 展 以及 主 要理 论 等 进 行 了简要 的介 绍 ， 出了基 于遗 传 算 法 的 关联 规 则 的提 取 方 法。 最 后 结合 实例 给 出了 用遗 传 算 法进 提
（ ｈ ｅ ａ ｔ ｎ ｆ ｃ ａ ｉａ ｎ ｉｅ ｒｎ ， ｒｈ Ｃ ｉ ａ Ｉ ｓｉ ｔ ｏ ｏ ｓ ｒ ａ ｃ ｎ ｄ ｏ ｌｃｒｃＰ ｗｅ ， ｈ ｎ Ｚ ｏ ４ ０ １ ； ｈ Ｔ ｅｄ ｐ ｒｍｅ ｔ ｈ ｎ ｃ ｌ ｇｎ ｅ ｇ Ｎｏ ｔ ｈ ｎ ｎ ｔ ｕ ｅ ｆＣ ｎ ｅ ｖ ｎ ｙａ ｄ Ｈｙ ｒ ｅ ｔｉ ｏ ｒ ｅ ｇ ｈ ｕ，５ ０ １ Ｔ ｅ ｏ Ｍｅ Ｅ ｉ ｔ ｅ Ｚ
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
基于数据挖掘的遗传算法xxx摘要:本文定义了遗传算法概念和理论的来源，介绍遗传算法的研究方向和应用领域，解释了遗传算法的相关概念、编码规则、三个主要算子和适应度函数，描述遗传算法计算过程和参数的选择的准则，并且在给出的遗传算法的基础上结合实际应用加以说明。
关键词：数据挖掘遗传算法Genetic Algorithm Based on Data MiningxxxAbstract：This paper defines the concepts and theories of genetic algorithm source, Introducing genetic algorithm research directions and application areas, explaining the concepts of genetic algorithms, coding rules, the three main operator and fitness function，describing genetic algorithm parameter selection process and criteria，in addition in the given combination of genetic algorithm based on the practical application.Key words: Data Mining genetic algorithm前言遗传算法(genetic algorithm，GAs)试图计算模仿自然选择的过程，并将它们运用于解决商业和研究问题。
遗传算法于20世界六七十年代由John Holland[1]发展而成。
它提供了一个用于研究一些生物因素相互作用的框架，如配偶的选择、繁殖、物种突变和遗传信息的交叉。
在自然界中，特定环境限制和压力迫使不同物种竞争以产生最适应于生存的后代。
在遗传算法的世界里，会比较各种候选解的适合度，最适合的解被进一步改进以产生更加优化的解。
遗传算法借助了大量的基因术语。
遗传算法的基本思想基于达尔文的进化论和孟德尔的遗传学说，是一类借鉴生物界自然选择和自然遗传机制的随机搜索算法。
生物在自然界的生存繁殖，显示对其自然环境的优异自适应能力。
受其启发，人们致力于对生物各种生存特性的机制研究和行为模拟。
通过仿效生物的进化与遗传，根据“生存竞争”和“优胜劣汰”的原则，借助选择、交叉、变异等操作，使所要解决的问题从随机初始解一步步逼近最优解。
现在已经广泛的应用于计算机科学、人工智能、信息技术及工程实践。
[2]在工业、经济管理、交通运输、工业设计等不同领域，成功解决了许多问题。
例如，可靠性优化、流水车间调度、作业车间调度、机器调度、设备布局设计、图像处理以及数据挖掘等。
遗传算法作为一类自组织于自适应的人工智能技术，尤其适用于处理传统搜索方法难以解决的复杂的和非线性的问题。
1.遗传算法的应用领域和研究方向1.1遗传算法的特点遗传算法作为一种新型、模拟生物进化过程的随机化搜索方法，在各类结构对象的优化过程中显示出比传统优化方法更为独特的优势和良好的性能。
它利用其生物进化和遗传的思想，所以它有许多传统算法不具有的特点[3]：※搜索过程不直接作用在变量上，而是作用于由参数集进行了编码的个体上。
此编码操作使遗传算法可以直接对结构对象进行操作。
※搜索过程是从一组解迭代到另一组解，采用同时处理群体中多个个体的方法，降低了陷入局部最优解的可能性，易于并行化。
※采用概率的变迁规则来指导搜索方向，不采用确定性搜索规则。
※对搜索空间没有任何的特殊要求，只利用适应度信息，不需要其它辅助信息，适应范围广。
※对于给定的问题，可以产生许多的潜在解，最总选择可以由使用者确定。
遗传算法的优越性只要表现在：首先他在搜索过程中不容易陷入局部最优，即使在定义的适应值函数是不连续的、非规则的或是有噪声的情况下，它也能以很大的概率找到整体最优解；其次由于它固定的并行性，遗传算法非常适合于大规模的并行计算机。
※遗传算法提供了一种求解复杂系统优化问题的通用框架，它不依赖于问题的具体领域，对问题的种类有很强的鲁棒性，广泛适用于很多科学。
1.2遗传算法的应用领域1．函数优化函数优化是遗传算法的经典应用领域，也是对遗传算法进行性能评估的常用算例。
很多人构造出的各种各样的复杂形式的测试函数，有连续函数也有离散函数，有凸函数也有凹函数，有低维函数也有高维函数，有确定函数也有随机函数，有但峰值函数也有多峰值函数等。
用这些几何特性各具特色的函数来评价遗传算法的性能，更能反映算法的本质效果。
而对于一些非线性、多模型、多目标的函数优化问题，用其他优化方法比较难求解，而遗传算法却是可以方便的得到较好的结果。
2．组合优化随着问题规模增大，组合优化问题的搜索空间也急剧扩大，有时在目前的计算机上用枚举法很难或不可能求解精确最优解。
对这类复杂问题，人们已经意识到应把主要精力放在求其满意解上，而遗传算法是寻求这种满意解定的最佳工具之一。
实践证明，遗传算法已经在求解旅行商问题、背包问题、装箱问题、布局优化、图形划分问题等各种具有NP难度的问题得到成功应用。
3．自动控制在自动控制领域中有很多优化相关的问题需要求解，遗传算法已在其中得到初步的应用，并显示出良好的效果。
例如用遗传算法进行航空控制系统的优化、使用遗传算法设计空间交回控制器、基于遗传算法的模糊控制器的优化设计、基于遗传算法的参数辨识、基于遗传算法的模糊控制规则的学习、利用遗传算法进行人工神经网络的结构优化设计和权值学习，都显示出遗传算法在这些领域的应用可行性。
4．图像处理图像处理是计算机视觉中的一个重要研究领域。
在图像处理过程中，如扫描、特征提取、图像分割等不可避免的存在一些误差，从而会影响图像的效果。
如何使这些误差最小是使计算机视觉达到实用化的重要要求。
遗传算法在这些图像处理中优化计算方面找用武之地。
目前已在模式识别、图像恢复、图像边缘特征提取等方面取得了应用。
5．数据挖掘数据挖掘是近几年出现的数据库技术，它能够从大型的数据库中提取隐含的、先前未知的、有潜在应用价值的知识和规则。
许多数据挖掘问题可视为搜索问题，数据库视为搜索空间，挖掘算法视为搜索策略。
因此，应用遗传算法在数据库中进行搜索，对随机产生的一组规则进行进化，直到数据库能被该组规则覆盖，从而挖掘出隐含在数据库中的规则。
遗传算法已经成为数据挖掘的重要有效方法之一。
6．复杂性科学在复杂性问题的研究中，遗传算法也崭露头角。
什么叫复杂性问题，各家看法不一。
共同认识还是有的，即是复杂性问题应用是多层次、多因素、其相互作用是非线性、不确定和不稳定的，这样的学习问题自然属复杂性研究的范畴。
事实上，在复杂系统例如适应性系统学习策略的研究中，遗传算法占有重要位置。
由于介质参数的模型非常大，同时观测数据不完备、噪音的存在、源的情况复杂未知。
很难用传统的方法求得目标函数的全局最优值，而只能求一定意义下的“满意解”。
这时，可供选择的方法之一自然是遗传算法。
1.2遗传算法的研究方向遗传算法是多学科结合与渗透的产物，已经发展成为一种自组织、自适应的综合技术，广泛应用在计算机科学、工程技术和社会学领域。
[4]遗传算法的基础理论、数学模型主要集中在对于算法的收敛性、复杂性、收敛速度的研究上。
遗传算法在操作上突出特点是具有高度的并行性。
还有在与神经网络方向相结合，成功的用于从时间序列分析来进行财政预算。
开发遗传算法的的商业软件、开拓更广泛的遗传算法应用领域也是今后的主要任务。
遗传算法是21世纪有关智能计算术中的关键之一。
是十分活跃的研究领域，正在从理论深度、技术的多样化以及应用的广度不断探索。
2.遗传算法的编码规则编码机制是GA（遗传算法）的基础，编码是遗传算法主要解决的首要问题。
GA不是对研究对象直接进行讨论，而是通过某种编码机制把对象统一赋予有特定符号按一定顺序排成的串。
将问题的解转换成基因序列的过程称为编码。
反之，将基因转换成问题的解的过程成为解码。
对GA的码可以有十分广泛的的理解。
在优化问题方面，一个串对应于一个可能解；在分类问题的方面，串可以解释为一个规则。
即串的前半部为输入或前件，后半部分为输出或后件、结论等。
对于任何应用遗传算法解决实际问题，都要必须将解的表达方法和相关问题领域的特点结合起来分析考虑。
编码空间遗传运算解码空间评估与选择解码编码图一：编码空间与解空间从图一中可见，遗传算法的一个显著特点是它交替地在编码空间和解码空间中工作，它在编码空间对染色体进行遗传运算，而在解空间对解进行评估和选择。
自然选择联结了染色体和它所表达的解的性能当用遗传算法算法解问题，必须在问题空间对遗传算法的个体基因结构之间建立联系，即确定编码和解码方案。
一般来说，由于遗传算法计算过程的鲁棒性，他对编码的要求并不苛刻，但是编码的策略对于遗传算子，尤其是对交叉和变异算子的功能和设计有很大影响。
评估编码机制的一般采用一下三种规范：（1）完备性：问题空间中的所有点都能作为GA空间中的点表现；（2）健全性：GA空间中的染色体能对应所有问题空间中的候选解；（3）非冗余性：染色体和候选解一一对应。
2.1几种常见的编码机制1.二进制编码二进制编码采用得到了Holland早期理论结果的支持，它是遗传算法中最常用的一种编码方法。
优点为（1）编码、解码操作简单易行；（2）交叉、变异操作便于实现；（3）符合最小字节符集编码原则；（4）便于利用模式定理对算法进行理论分析。
2.格雷码编码对于一些连续优化问题，二进制编码由于遗传算法的随机特性而使其局部搜索功能力较差。
为改进这一特点，人们提出了格雷码。
它的方法是二进制编码方法的一种变形。
它是这样的一种编码方法，其连续的两个整数所对应的编码值之间仅仅只有一个码位是不相同的，其余位都是完全相同。
3．实数编码对于一些多维、高精度要求1的连续函数优化问题，使用二进制编码来表示个体将会带来一些不利。
例如，二进制编码存在着连续函数离散化的映射误差，同时不便于反映所求问题的特定知识。
为了克服这些缺点，人们提出了实数编码方法，即个体的每个基因值用实数表示。
3.遗传算法的主要算子遗传算子最重要的算子有三种：选择、交叉、变异。
选择体现“适者生存”原理，通过适应值选择优质个体而抛弃劣质个体。
交叉能使个体之间遗传物质进行交换从而产生更好的个体。
变异能恢复个体失去的或未开发的遗传物质，以防止个体在形成最优解过程中过早收敛。
1选择算子选择算子也称复制算子、繁殖算子。
它的作用在于根据个体优劣程度决定在下一代是被淘汰还是被复制。
一般的说，通过选择，将适应度即优良的个体有较大的存在机会，而适应度小即低劣的个体继续存在的机会也较小。