基于最佳粒子共享的并行粒子群优化算法及其在分类中的应用

摘要：

粒子群优化(Particle Swarm Optimizer, PSO)算法是数据挖掘技术的一种算法.数据挖掘就是从大型数据库中的数据中提取人们感兴趣的知识.PSO算法模仿鸟群、鱼群的行为,通过群中的每个个体即粒子,依靠本身的速度向量和群信息,在多维搜索空间中搜索找到最优解.并行粒子群算法可以减小粒子间的相互干扰,扩大搜索范围;对于大规模或超大规模的多变量求解具有重要的意义,可以提高解的速度和解的质量.本文提出了并行粒子群的改进算法.同时将改进的并行粒子群算法应用于数据挖掘的分类中.实验采用IRIS数据集,它有3个类别,分别为Setosa, Versicolor ,Virginica,每个类别包含50个例子.每个例子有4个属性,分别为花萼长度,花萼宽度,花瓣长度和花瓣宽度,将数据按9:1分成两部分,大的作为训练样本,小的作为测试样本.得到一个分类规则,将这规则用于测试集,准确率为91.5%.实验结果表明该算法可行.

关键词：数据挖掘、并行粒子群优化、分类规则

所属期刊栏目：36

分类号：O29(应用数学)

在线出版日期：2009-04-21（万方平台首次上网日期，不代表论文的发表时间）

页数：共4页

页码：32-34,37