مسئله، منجر به تولید قوانین انجمنی میشود که از دقت و صحت قابل قبولی برخوردارنیستند. از آن جایی که مسئلۀ کاوش قوانین انجمنی عددی یک مسئلۀ بهینه سازی سخت به شمار میرود،تا یک مسئلۀ گسسته سازی ساده، الگوریتمهای جستجوگری که میتوانند با متغیرهای پیوسته سروکارداشته باشند و جواب هایی دقیقتر از جوابهای روشهای مرسوم فراهم آورند، میتوانند جالب توجه باشند.
در این پایان نامه، الگوریتم جدیدی برای کاوش قوانین انجمنی عددی چند هدفه ارائه شده که قادراست که بدون نیاز به مشخص کردن آستانۀ حداقل پشتیبان و حداقل اطمینان و در یک مرحله به کشفبازههایی از صفات عددی که قوانین انجمنی جذاب، با پشتیبان و اطمینان بالا بپردازد. برای این کار،الگوریتم کلونی مورچهها در حوزة پیوسته (ACOR) به گونهای به کار گرفته شده است که به تولید قوانینانجمنی عددی بهینۀ یک مجموعه داده، که شامل متغیرهای عددی پیوسته است، بینجامد.
مقدمه:
دادهکاوی سودمندترین ابزار کشف دانش از میان تراکنشها است [3] [2] [1]. یکی از کاربردهایمهم دادهکاوی، کشف قوانین انجمنی میباشد که یکی از مهمترین روشهای بازشناسی الگو در سیستمهایبدون نظارت است. کشف قوانین انجمنی مانند جستجوی طلا در یک پایگاه داده بسیار بزرگ است، که دراینجا منظور از طلا یک قانون جذاب که هنوز کشف نشده است، میباشد. از این طریق میتوان تمام قوانینممکن را در یک پایگاه داده پیدا کرد، اما مسئله اینجاست که تحلیل تعداد زیادی قانون کار سختی است. بههمین جهت، معیارهایی همچون ضریب پشتیبانو ضریب اطمینانبرای مشخص کردن قوانین با کیفیتبالاتر به کار میروند.
اکثر الگوریتمهای کاوش قوانین انجمنی، مانند الگوریتم Apriori و AIS، مبتنی بر روشهاییهستند که توسط Agrawalدر [4] و [5] پیشنهاد شدهاند. با استفاده از این متدها نمیتوان قوانینی را کهشامل صفات خاصه عددی هستند کشف نمود. این الگوریتمها مسئله کاوش قوانین انجمنی را به دو قسمت
تقسیم میکنند . از آنجایی که کاوش قوانین انجمنی عددی یک مسئله بهینه سازی سخت است تا یکمسئله گسسته سازی ساده، دستۀ مهمی از مسائل کاوش قوانین انجمنی وجود دارند که تنها زمانی میتوانندبا یک الگوریتم بهینه سازی ترکیبی حل شوند که بازة پیوستۀ مقادیر مجاز صفات خاصۀ عددی به مجموعۀمحدودی تبدیل شوند. مسئله تبدیل بازة پیوسته به مجموعۀ متناهی همیشه کار راحتی نیست، به خصوص
زمانی که بازة اولیه، بازة وسیعی باشد و شفافیت و دقت بالایی مد نظر باشد. بنابراین، در این گونه موارد،معمولاً الگوریتمهایی که به طور طبیعی و ساده قادر به کار کردن با متغیرهای پیوسته عددی هستند، بهترعمل میکنند [8].
هم چنین، کاوش قوانین انجمنی عددی باید به عنوان یک مسئلۀ چند هدفه تلقی شود، چرا که یکقانون انجمنی باید قانونی جذابو با مقدار پشتیبان و اطمینان بالایی باشد؛ لذا الگوریتمهای کاوش قوانینانجمنی بایستی چند هدفه بوده و به طور همزمان همۀ معیارها را برای کشف قوانین انجمنی مفید بررسی<span style="c
olor: #000000″>نمایند.
در سالهای اخیر، الگوی هوش جمعیو به خصوص از این میان بهینه سازی کلونی مورچههاوبهینه سازی گروه ذرات، توجه زیادی را در تحقیقات به خود جلب کرده است. همینطور، این الگوریتمهارایجترین متاهیوریستیکهایهوش جمعی برای داده کاوی هستند.