Link tải miễn phí luận văn
Tóm tắt nội dung
Khóa luận trình bày thuật toán phân lớp sử dụng phương pháp tối ưu hóa đàn kiến làm việc với thuộc tính liên tục. Đầu tiên giới thiệu phương pháp tối ưu hóa đàn kiến. Đây là mô hình thiết kế các thuật toán cho bài toán tối ưu hóa tổ hợp. Trong các thuật toán này người ta kết hợp thông tin Heuristic và thông tin học tăng cường thể hiện qua các vết mùi của các con kiến nhân tạo để giải các bài toán tối ưu tổ hợp khó bằng cách đưa về bài toán tìm đường đi tối ưu trên đồ thị cấu trúc tương ứng được xây dựng từ đặc điểm của từng bài toán. Một số thuật toán dựa vào phương pháp này đã được đưa ra như Ant System, Ant Colony System, Min Max Ant System. Tiếp theo là bài toán phân loại dựa trên luật kết hợp. Từ một bộ dữ liệu có nhiều mẫu, mỗi mẫu có một số thuật tính, tìm ra các luật để chia các mẫu này vào các lớp khác nhau. Để giải quyết bài toán phân loại thuậ toán ID3 đã được đưa ra. Thuật toán này sẽ xây dựng một cây quyết định, dựa vào cây này để phân lớp tập dữ liệu. Từ thuật toán này thông qua một số thủ tục cắt tỉa cây hình thành thuật toán C4.5. Cây quyết định sẽ được cắt tỉa để đưa ra các luật và sẽ dựng cỏc luật này để phân lớp. Áp dụng phương pháp tối ưu hóa đàn kiến vào bài toán phân lớp chúng ta có thuật toán Ant-miner. Ant-miner chỉ áp dụng với dữ liệu đã qua bước rời rạc hóa. Một phát triển của Ant-miner là cAnt-miner làm việc với các thuộc tính liên tục. Các thuộc tính liên tục trong cAnt-miner sẽ được xử lý dựa trên thông tin Entropy. Và cuối cùng là thử nghiệm phương pháp cập nhật mựi khỏc vào trong thuật toán cAnt-Miner. Chương trình thực nghiệm được viết bằng ngôn ngữ JAVA để kiểm tra các kết quả đã nêu trên.
Mục lục
Mở đầu 3
Chương 1 Giới thiệu về phương pháp tối ưu hóa đàn kiến ACO 3
1.1 Ý tưởng của phương pháp 3
1.2 Phương pháp tối ưu hóa đàn kiến ACO(Ant Colony Optimization) 3
1.2.1 Ant system 3
1.2.2 Thuật toán ACS (Ant colony system) 3
1.2.3 Thuật toán hệ kiến MaxMin-AS 3
1.3 Một số bài toán đã được giải quyết bằng phương pháp ACO 3
1.3.1 Người bán hàng TSP (traveling salesman problem) 3
1.3.2 Vấn đề dò đường cho phương tiện giao thông 3
Chương 2 Bài toán phân loại vào các thuật toán giải quyết 3
2.1 Nội dung bài toán 3
2.2 Thuật toán phân loại cây quyết định (ID3) 3
2.3 Thuật toán phân loại C4.5 3
2.4 Ant-Miner 3
2.4.1 Giới thiệu 3
2.4.2 Các hàm đánh giá 3
2.4.3 Cập nhật mùi 3
Chương 3 Bài toán phân loại với phương pháp tiếp cận ACO 3
3.1. cAnt-Miner 3
3.1.1 Giới thiệu thuật toán 3
3.1.2 Xử lý thuộc tính liên tục trong Ant-Miner 3
3.1.3 Xây dựng đồ thị 3
3.1.4 Đánh giá vấn đề phụ thuộc thông tin 3
3.1.5 xây dựng luật 3
3.1.6 cập nhật mùi 3
3.2. Một số phương pháp cải tiến 3
Chương 4. Thực nghiệm cho thuật toán cAnt-Miner 3
4.1 So sánh với Ant-miner với cAnt-miner 3
4.2 Thử phương pháp cập nhật mùi Smooth Max-Min Ant System 3
Chương 5 Kết luận 3
5.1 Tổng kết 3
5.2 Những công việc đã làm được 3
Do Drive thay đổi chính sách, nên một số link cũ yêu cầu duyệt download. các bạn chỉ cần làm theo hướng dẫn.
Password giải nén nếu cần: ket-noi.com | Bấm trực tiếp vào Link để tải:
Tóm tắt nội dung
Khóa luận trình bày thuật toán phân lớp sử dụng phương pháp tối ưu hóa đàn kiến làm việc với thuộc tính liên tục. Đầu tiên giới thiệu phương pháp tối ưu hóa đàn kiến. Đây là mô hình thiết kế các thuật toán cho bài toán tối ưu hóa tổ hợp. Trong các thuật toán này người ta kết hợp thông tin Heuristic và thông tin học tăng cường thể hiện qua các vết mùi của các con kiến nhân tạo để giải các bài toán tối ưu tổ hợp khó bằng cách đưa về bài toán tìm đường đi tối ưu trên đồ thị cấu trúc tương ứng được xây dựng từ đặc điểm của từng bài toán. Một số thuật toán dựa vào phương pháp này đã được đưa ra như Ant System, Ant Colony System, Min Max Ant System. Tiếp theo là bài toán phân loại dựa trên luật kết hợp. Từ một bộ dữ liệu có nhiều mẫu, mỗi mẫu có một số thuật tính, tìm ra các luật để chia các mẫu này vào các lớp khác nhau. Để giải quyết bài toán phân loại thuậ toán ID3 đã được đưa ra. Thuật toán này sẽ xây dựng một cây quyết định, dựa vào cây này để phân lớp tập dữ liệu. Từ thuật toán này thông qua một số thủ tục cắt tỉa cây hình thành thuật toán C4.5. Cây quyết định sẽ được cắt tỉa để đưa ra các luật và sẽ dựng cỏc luật này để phân lớp. Áp dụng phương pháp tối ưu hóa đàn kiến vào bài toán phân lớp chúng ta có thuật toán Ant-miner. Ant-miner chỉ áp dụng với dữ liệu đã qua bước rời rạc hóa. Một phát triển của Ant-miner là cAnt-miner làm việc với các thuộc tính liên tục. Các thuộc tính liên tục trong cAnt-miner sẽ được xử lý dựa trên thông tin Entropy. Và cuối cùng là thử nghiệm phương pháp cập nhật mựi khỏc vào trong thuật toán cAnt-Miner. Chương trình thực nghiệm được viết bằng ngôn ngữ JAVA để kiểm tra các kết quả đã nêu trên.
Mục lục
Mở đầu 3
Chương 1 Giới thiệu về phương pháp tối ưu hóa đàn kiến ACO 3
1.1 Ý tưởng của phương pháp 3
1.2 Phương pháp tối ưu hóa đàn kiến ACO(Ant Colony Optimization) 3
1.2.1 Ant system 3
1.2.2 Thuật toán ACS (Ant colony system) 3
1.2.3 Thuật toán hệ kiến MaxMin-AS 3
1.3 Một số bài toán đã được giải quyết bằng phương pháp ACO 3
1.3.1 Người bán hàng TSP (traveling salesman problem) 3
1.3.2 Vấn đề dò đường cho phương tiện giao thông 3
Chương 2 Bài toán phân loại vào các thuật toán giải quyết 3
2.1 Nội dung bài toán 3
2.2 Thuật toán phân loại cây quyết định (ID3) 3
2.3 Thuật toán phân loại C4.5 3
2.4 Ant-Miner 3
2.4.1 Giới thiệu 3
2.4.2 Các hàm đánh giá 3
2.4.3 Cập nhật mùi 3
Chương 3 Bài toán phân loại với phương pháp tiếp cận ACO 3
3.1. cAnt-Miner 3
3.1.1 Giới thiệu thuật toán 3
3.1.2 Xử lý thuộc tính liên tục trong Ant-Miner 3
3.1.3 Xây dựng đồ thị 3
3.1.4 Đánh giá vấn đề phụ thuộc thông tin 3
3.1.5 xây dựng luật 3
3.1.6 cập nhật mùi 3
3.2. Một số phương pháp cải tiến 3
Chương 4. Thực nghiệm cho thuật toán cAnt-Miner 3
4.1 So sánh với Ant-miner với cAnt-miner 3
4.2 Thử phương pháp cập nhật mùi Smooth Max-Min Ant System 3
Chương 5 Kết luận 3
5.1 Tổng kết 3
5.2 Những công việc đã làm được 3
Do Drive thay đổi chính sách, nên một số link cũ yêu cầu duyệt download. các bạn chỉ cần làm theo hướng dẫn.
Password giải nén nếu cần: ket-noi.com | Bấm trực tiếp vào Link để tải:
You must be registered for see links