第1章 绪论 1
1.1演化算法概述 1
演化算法的起源 1
演化算法的应用领域 4
演化算法的发展趋势 5
1.2演化算法的基本原理 5
生物学基础 5
演化算法与最优化 6
演化算法的一般框架 7
没有免费午餐定理 8
1.3协同演化算法研究现状 8
协同进化论 8
演化博弈论 10
协同演化算法设计 14
协同演化算法的应用 17
第2章 数据挖掘和关联规则 19
2.1数据挖掘 19
数据挖掘的定义和过程 19
挖掘的数据形式 20
数据挖掘的功能 21
2.2关联分析 22
关联规则的定义 22
关联规则挖掘的问题 23
2.3聚类分析 24
聚类分析的意义 24
聚类分析的概念 25
聚类分析的算法 26
2.4遗传算法在规则发现中的应用 27
个体表示 28
算子 29
种群初始化 31
适应度 31
分类规则发现和关联规则发现的不同 32
第3章 基于混合策略的协同演化算法 34
3.1引言 34
3.2混合策略协同演化规划的基本思想 35
概率分布函数的性能 35
混合策略协同演化规划框架 37
3.3求解函数优化问题的MSCEP算法 38
3.4实验结果和分析 41
实验结果 41
实验分析 49
3.5小结 49
第4章 求解约束优化问题的混合策略演化算法 55
4.1引言 55
4.2求解约束优化问题的基本思想 56
约束优化问题 56
约束比较规则 57
4.3求解约束优化问题的CMSEP算法 57
4.4实验结果和分析 59
实验结果 59
结果分析 63
4.5小结 64
第5章 求解多目标优化问题的混合策略演化算法 69
5.1引言 69
5.2相关工作 69
关键技术 69
研究现状 71
5.3求解多目标优化问题的基本思想 72
多目标优化问题 72
强度Pareto优化的基本思想 72
5.4混合策略的ParetO演化规划 74
5.5实验结果和分析 74
测试函数 74
结果分析 76
5.6小结 76
第6章 兴趣度量的优化 78
6.1关联规则的兴趣度量 78
兴趣度量的目的 78
兴趣度量的分类 79
6.2发现度量约束下的规则 85
6.3发现基于残差的最优相关规则 86
残差分析 87
互信息量 89
用遗传算法发现优化相关规则GADCR 90
6.4实验 93
人工数据集上的实验结果 93
真实数据集上的实验结果 96
6.5小结 97
第7章 数据集的优化 98
7.1离散化简介 98
有监督和无监督离散化 100
一元与多元离散化 103
MVD 104
7.2一种基于聚类的无监督多元离散化方法EMVD-BDC 105
动机 105
EMVD-BDC 107
7.3MVD的一种优化算法OMVD 111
最大支持度差异（MSD） 112
用遗传算法优化MSD列表 112
7.4实验 113
人工数据集上的实验 113
真实数据集上的实验 115
7.5小结 122
第8章 规则形式的简化 126
8.1最优关联规则的简介 126
问题的提出和定义 126
发现最优置信度规则的经典算法：FOCR 126
其他算法 127
8.2发现最优interest规则 128
问题的定义 128
发现最优interest规则的算法FOIR 129
8.3发现最优相对密度规则 134
密度度量 134
相对密度度量 135
最优相对密度规则的发现算法FORDAR 136
8.4实验 139
人工数据集上的实验 139
真实数据集上的实验 142
8.5小结 147
第9章 基于混合策略的演化聚类算法 149
9.1引言 149
9.2模糊C均值聚类 150
模糊C均值聚类算法 150
模糊权和有效性函数 150
9.3混合策略演化聚类算法 152
9.4实验结果和分析 153
人工数据集和真实数据集 153
有效性指标实验分析 155
算法性能分析 156
参数选择 161
9.5小结 161
第10章 总结 163
参考文献 166