论文部分内容阅读
学习分类系统是结合了进化计算和强化学习的一种机器学习技术，它是一种自适应的规则产生式系统，能够动态感应环境、模拟认知，利用环境反馈评估种群中的分类器(规则)并通过遗传算法对种群进行进化。经过三十多年的研究，学习分类系统已经发展成为一套成熟的理论框架和算法模型，并且已经在分类、强化学习问题、函数估计和预测等领域得到了成功的应用。另一方面，学习分类系统缺乏在无监督学习的聚类领域的应用。然而，基于遗传算法的聚类的有效应用和学习分类系统解决预测问题的思想给我们提供了使用学习分类系统解决聚类问题的思路。
本文在详细介绍学习分类系统当前研究的基础上，探讨如何基于学习分类系统有效并且有效率地解决聚类问题。主要的研究成果如下：
●提出学习分类系统解决聚类问题的基本思路，设计出完整的基于复杂学习分类系统的聚类框架和详细算法。通过学习和进化，种群中的规则能够准确地描述数据的分类特点；应用规则约减算法得到一个精简的规则集合；最后使用规则合并算法合并同一个聚类的规则并判断每个数据归属于哪个聚类集合以得到最终的聚类结果。初步的实验结果验证了其在分离较好的复杂结构数据集上的聚类性能。
●从学习分类系统中超矩形规则表示特点出发，参考CHAMELEON层次聚类算法，提出自底向上的规则合并算法。通过分析学习分类系统的进化过程，设计了加速进化机制。最后通过一系列不同大小和分布的数据集上的实验结果和对比数据验证了算法的有效性和高效性。