控制与决策

作者：张磊,李柳,杨海鹏,孙翔,程凡,孙晓燕,苏喻

单位：安徽大学 计算机科学与技术学院,合肥 230039,,安徽大学 计算机科学与技术学院,合肥 230039,,安徽大学 计算机科学与技术学院,合肥 230039,,安徽大学 计算机科学与技术学院,合肥 230039,,安徽大学 人工智能学院,合肥 230039,,中国矿业大学 信息与电气工程学院,江苏 徐州 221116,,合肥师范学院 计算机学院,合肥 230001;合肥综合性国家科学中心 人工智能研究院,合肥 230071,

关键词：多目标优化;进化算法;归减策略;修复策略

基金：国家自然科学基金项目(61976001,62076001,61876184)；安徽省教育厅高校优秀人才支持计划重点项目(gxyqZD2021089)；安徽省自然科学基金项目(2008085QF309)；安徽省高校协同创新项目(GXXT-2020-050).

频繁高效用项集挖掘是数据挖掘的一项重要任务,挖掘到的项集由支持度和效用这2个指标衡量.在一系列用于解决这类问题的方法中,进化多目标方法能够提供1组高质量解以满足不同用户的需求,避免传统算法中支持度和效用的阈值难以确定的问题.但是已有多目标算法多采用0-1编码,使得决策空间的维度与数据集中项数成正比,因此,面对高维数据集会出现维度灾难问题.鉴于此,设计一种项集归减策略,通过在进化过程中不断对不重要项进行归减以减小搜索空间.基于此策略,进而提出一种基于项集归减的高维频繁高效用项集挖掘多目标优化算法(IR-MOEA),并针对可能存在的归减过度或未归减到位的个体提出基于学习的种群修复策略用以调整进化方向.此外还提出一种基于项集适应度的初始化策略,使得算法在进化初期生成利于后期进化的稀疏解.多个数据集上的实验结果表明,所提出算法优于现有的多目标优化算法,特别是在高维数据集上.

来源：2023年第10期

《控制与决策》期刊编辑部

查看控制与决策杂志2023年第10期