基于AQ覆盖框架的蚁群规则集学习算法

doi:10.3778/j.issn.1002-8331.2008.31.019

计算机工程与应用 ›› 2008, Vol. 44 ›› Issue (31): 67-71.DOI: 10.3778/j.issn.1002-8331.2008.31.019

基于AQ覆盖框架的蚁群规则集学习算法

颜晨阳¹,赵俊¹,熊伟清²

1.宁波大学职教学院，浙江宁波 315211
2.宁波大学信息科学与工程学院，浙江宁波 315211

收稿日期:2007-11-27 修回日期:2008-03-03 出版日期:2008-11-01 发布日期:2008-11-01
通讯作者: 颜晨阳

Ant colony rule set learning algorithm based on AQ covering frame

YAN Chen-yang¹,ZHAO Jun¹,XIONG Wei-qing²

1.School of Vocational Technology，Ningbo University，Ningbo，Zhejiang 315211，China
2.College of Information Science and Engineering，Ningbo University，Ningbo，Zhejiang 315211，China

Received:2007-11-27 Revised:2008-03-03 Online:2008-11-01 Published:2008-11-01
Contact: YAN Chen-yang

摘要/Abstract

摘要： 针对规则集学习问题，提出一种遵循典型AQ覆盖算法框架（AQ Covering Algorithm）的蚁群规则集学习算法（Ant-AQ）。在Ant-AQ算法中，AQ覆盖框架中的柱状搜索特化过程被蚁群搜索特化过程替代，从某种程度上减少了陷入局优的情况。在对照测试中，Ant-AQ算法分别和已有的经典规则集学习算法（CN2、AQ-15）以及R.S.Parpinelli等提出的另一种基于蚁群优化的规则学习算法 Ant-Miner在若干典型规则学习问题数据集上进行了比较。实验结果表明：首先，Ant-AQ算法在总体性能比较上要优于经典规则学习算法，其次，Ant-AQ算法在预测准确度这样关键的评价指标上优于Ant-Miner算法。

关键词: 规则集学习, AQ覆盖算法, 蚁群优化, 蚁群规则学习算法

Abstract: A novel ant colony rule set learning algorithm（Ant-AQ） is presented based on the combination of AQ covering frame and ant colony optimization.The ant colony optimization substitutes for the beam search in the specification procedure of AQ covering frame.This strategy can reduce occurrence of convergence to solutions coding local optima for evaluating Ant-AQ，the algorithm is applied to several typical rule set learning problems and compared to the classical algorithms for rule set learning （CN2，AQ-15） and another rule set learning algorithms based on ACO called Ant-Miner which proposed by R.S.Parpinelli et.al.The experiment results show，first，the algorithm has much better overall performance than classical algorithms mentioned above，and second，the algorithm has advantages over Ant-Miner on the key criteria of prediction accuracy.

Key words: rule set learning, AQ covering algorithm, ant colony optimization, ant colony rule set learning

颜晨阳¹,赵俊¹,熊伟清². 基于AQ覆盖框架的蚁群规则集学习算法[J]. 计算机工程与应用, 2008, 44(31): 67-71.

YAN Chen-yang¹,ZHAO Jun¹,XIONG Wei-qing². Ant colony rule set learning algorithm based on AQ covering frame[J]. Computer Engineering and Applications, 2008, 44(31): 67-71.

[1]	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.
[2]	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.
[3]	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.
[4]	姜道银1，2，葛洪伟1，2. 基于信息交流策略的连续域蚁群优化算法[J]. 计算机工程与应用, 2019, 55(11): 153-159.
[5]	姜道银1，2，葛洪伟1，2，袁罗1. 一种动态划分的混合连续域蚁群优化算法[J]. 计算机工程与应用, 2018, 54(7): 144-151.
[6]	孔林1，张国富1，2，苏兆品1，2，蒋建国1，2. 基于改进蚁群算法的救护车应急救援路径规划[J]. 计算机工程与应用, 2018, 54(13): 153-159.
[7]	周袅1，2，葛洪伟1，2，苏树智1. 基于信息素的自适应连续域混合蚁群算法[J]. 计算机工程与应用, 2017, 53(6): 156-161.
[8]	陈恒1，2，李冠宇2，孙云浩2. 重排序RDF流三元组模式的蚁群优化方法[J]. 计算机工程与应用, 2017, 53(12): 172-177.
[9]	侯梦婷，赵作鹏，高萌，张娜娜. 采用角度因子的蚁群优化多路径路由算法[J]. 计算机工程与应用, 2017, 53(1): 107-112.
[10]	高雷阜，张秀丽，王飞. 改进蚁群算法在SVM参数优化研究中的应用[J]. 计算机工程与应用, 2015, 51(13): 139-144.
[11]	金浩1，刘维宁2. 基于改进蚁群算法的梯式轨道多目标优化研究[J]. 计算机工程与应用, 2014, 50(22): 28-31.
[12]	徐善健，郭有强，戚晓明，夏伟. 混沌蚂蚁群优化求解自由节点B样条曲线拟合[J]. 计算机工程与应用, 2014, 50(16): 177-182.
[13]	田海梅1，黄楠2. 基于ACO-LSSVM的网络流量预测[J]. 计算机工程与应用, 2014, 50(1): 91-95.
[14]	黄永青1，郝国生2，钟志水1，胡为成1，杜娟1. 基于网格划分策略的连续域改进蚁群算法[J]. 计算机工程与应用, 2013, 49(9): 61-64.
[15]	魏平，熊伟清. 求解强异类集装箱装载问题的混合蚁群算法[J]. 计算机工程与应用, 2013, 49(7): 252-257.

基于AQ覆盖框架的蚁群规则集学习算法

Ant colony rule set learning algorithm based on AQ covering frame

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