挖掘最大频繁项集的改进蚁群算法

计算机工程与应用 ›› 2011, Vol. 47 ›› Issue (13): 161-165.

• 数据库、信号与信息处理 • 上一篇下一篇

挖掘最大频繁项集的改进蚁群算法

黄红星，王秀丽，黄习培

福建农林大学计算机与信息学院，福州 350002

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2011-05-01 发布日期:2011-05-01

Modified ant colony optimization for mining maximal frequent itemsets

HUANG Hongxing，WANG Xiuli，HUANG Xipei

College of Computer and Information，Fujian Agriculture and Forestry University，Fuzhou 350002，China

Received:1900-01-01 Revised:1900-01-01 Online:2011-05-01 Published:2011-05-01

摘要/Abstract

摘要： 最大频繁项集挖掘用于发现频繁地出现在数据集中的最大子集，目前已经有许多有效的算法。应用蚁群算法挖掘最大频繁项集是一种新的方法，但是该算法往往迭代次数多，提取率低。结合频繁项集关联图和最大最小蚂蚁系统，提出一种新的蚁群算法。算法构造蚁群路径图，蚁群在动态的信息素和启发式因子指导下构造局部最大频繁项集，通过新的局部更新和全局更新机制发现全局最大频繁项集。对比实验表明，算法挖掘速度快，提取率高。

关键词: 数据挖掘, 最大频繁项集, 蚁群优化, 最大最小蚂蚁系统, 关联图

Abstract: Mining Maximal Frequent Itemsets（MFI） is to find a maximal subset that appears frequently in datasets.There are many algorithms to effectively solve MFI.Ant Colony Optimization（ACO） is a new method to solve MFI.However，there are two bottlenecks：The ACO algorithm takes too much time and solves imprecisely for MFI.A novel ACO algorithm with max-min ant system and association graph is proposed.The tour graph is constructed.Ant colony constructs local maximal frequent itemsets under the instruction of dynamic pheromone and heuristic factor.It discovers global maximal frequent itemsets by new local and global update mechanism.Compared experiments show that this algorithm is fast and effective.

Key words: date mining, maximum frequent itemsets, ant colony optimization, max-min ant system, association graph

黄红星，王秀丽，黄习培. 挖掘最大频繁项集的改进蚁群算法[J]. 计算机工程与应用, 2011, 47(13): 161-165.

HUANG Hongxing，WANG Xiuli，HUANG Xipei. Modified ant colony optimization for mining maximal frequent itemsets[J]. Computer Engineering and Applications, 2011, 47(13): 161-165.

[1]	宗晓萍，陶泽泽. 基于掌握速度的知识追踪模型[J]. 计算机工程与应用, 2021, 57(6): 117-123.
[2]	高天宇，王庆荣，杨磊. 粗糙集属性依赖度强化的应急数据挖掘模型[J]. 计算机工程与应用, 2021, 57(3): 87-93.
[3]	马洋，赵旭俊. 基于相关子空间的多源离群检测算法[J]. 计算机工程与应用, 2021, 57(17): 88-95.
[4]	张铭，邓文瀚，林娟，钟一文. 改进蚁群优化算法求解折扣{0-1}背包问题[J]. 计算机工程与应用, 2021, 57(13): 85-95.
[5]	张念蓬，吴旭，朱强. 基于熵的过采样框架[J]. 计算机工程与应用, 2021, 57(13): 96-101.
[6]	张博文，刘智，桑国明. 基于核密度波动的异常检测算法[J]. 计算机工程与应用, 2021, 57(12): 132-136.
[7]	饶加旺，马荣华. 改进核密度估计的空间点密度算法[J]. 计算机工程与应用, 2021, 57(11): 260-265.
[8]	张海南，游晓明，刘升，刘中强. 交互式学习的布谷鸟搜索算法[J]. 计算机工程与应用, 2020, 56(7): 147-154.
[9]	王杰，陈志刚，刘加玲，程宏兵. 基于聚类的云隐私行为挖掘技术[J]. 计算机工程与应用, 2020, 56(5): 80-84.
[10]	王子龙，李进，宋亚飞. 基于距离和权重改进的K-means算法[J]. 计算机工程与应用, 2020, 56(23): 87-94.
[11]	纪文璐，王海龙，苏贵斌，柳林. 基于关联规则算法的推荐方法研究综述[J]. 计算机工程与应用, 2020, 56(22): 33-41.
[12]	衣俊艳，吴博雅，雍巧玲. 具有加权特性的弹性网络聚类算法研究[J]. 计算机工程与应用, 2020, 56(22): 55-65.
[13]	刘文芬，穆晓东，黄月华. 基于多分辨率网格的异常检测方法[J]. 计算机工程与应用, 2020, 56(17): 78-85.
[14]	薛文艳，赵江，郝崇清，刘慧贤. 基于信息素负反馈的超启发式蚁群优化算法[J]. 计算机工程与应用, 2019, 55(4): 163-172.
[15]	孟海东1，2，孙新军2，宋宇辰1. 基于数据场的改进LOF算法[J]. 计算机工程与应用, 2019, 55(3): 154-158.

挖掘最大频繁项集的改进蚁群算法

Modified ant colony optimization for mining maximal frequent itemsets

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics