资料库行销基因演算法.pptVIP

資料庫行銷基因演算法授課教授周世玉教授研究生包栯綺王常翰葉家祺大量借用自生物領域，建立在類比生物思考過程上似進化過程-物競天擇，適者生存?增加個體對環境的適應性來解決問題，即考慮個體加權數，用在訓練過程，若得到的適應性越高，則可視為基因演算法的預測能力越高被應用在三個領域：訓練類神經網路(最常被應用)、生成記憶基礎理解的評分函數、排程的最適化功能基因演算法(GeneticAlgorithms)特性與自然界不同的是，母群體的數量是保持恆定，即該群體不致滅種規則導向，而非資料導向?在同一個函數中加入許多限制條件做最適化運算在資料採礦及資料分析上並不普遍，因為資料採礦著重分類、預測，而不是最適化如果問題中的限制比變數還多時，基因演算法是個好工具基因演算法的演進過程1950生物學家和電腦學家合作，模擬基因運作1960初學者電腦化的遺傳學-染色體、基因、配對基因、適配函數，應用到其他領域(約翰賀藍)1967論文描述最適化技術，但過於倚賴隨機選擇而受質疑1970發展出這項技術的理論基礎，即如何運作基因演算法的過程?定義基因組及適配函數，創造第一代基因組(五位元基因參數，ex:01111)01設定問題03?藉由適配函數的值不斷改善，得到一個基因組及一組適配值重複步驟2，直到這個群體不再進步為止02单击此处添加正文，文字是您思想的提炼，为了演示发布的良好效果，请言简意赅地阐述您的观点。藉由選擇、交配及突變來修訂起始群體01配適函數(fitnessfunction):31p-p2,p為0~31的整數案例02令f’(p)=31-2p=0p=15.5?15,16F.O.C03f”(p)=-20?有最大值將母體中適者的基因組最大化S.O.C選擇(selection)三個運算元修訂起始群體保持母體個數不變(物種不滅)，但新一代的適合度會比上一代更好。有較高的適合度基因會存活(深色)，增殖而陰影部份的基因死亡三個運算元修訂起始群體交配(crossover)突變(mutation)2個基因結合的方式。基因交配的位置決定了基因分裂與再度重組基因在某個位置上突然的改變，這會出現與原先母體不曾有過的特徵37.4%31.8%18.5%12.3%基因p適配度母體適配值的百分比期望子代數101102217637.40%1.500001138718.50%0.740001025812.30%0.49110012515031.80%1.27生存是建立在依照比例再任意選擇基因組的基準上在輪盤上，各個基因組所佔的面積與其適配值成正比(輪盤法則)被選中的機率=176/471=37.4%x4=31*22-222平均配適度471/4=117.75選擇過程基因適配度1011017611001150000105810110176平均配適度117.75?140提升22.25基因適配度101101760001187000105811001150被選中的機率較低被選中的機率較高基因p適配度100101723811001251500011061501011022176基因適配度1011017611001150000105810110176平均配適度117.75?178.5提升60.75新產生的基因組?子嗣(children)隨機決定是否交配基因?交配機率(crossoverprobability)選擇和交配後選擇後基因p適配度10010172381110129580011061501011022176基因p適配度100101723811001251500011061501011022176突變可以改善物種適應性，但也往往是毀滅性的結果。178.5?155.5降低23，但比起起始的母群體，仍提升37.75小結與其他資料採礦及最適化技術不同之處，在於其只管0與1二個符號排列成哪一種基因組，卻不在意這些位元所代表的值是多少，只有在以上的適配函數中其值有意義基因演算法作為資料採礦的工具之一，最佳的解決方案不一定容易獲得，但卻可以逼進最佳解決方案。基因演算法的主要方式是選擇與交配，突變是次要因素，為的是避免過早得到最適化(局部)的結果。目的：用