基于混合蚁群关联规则挖掘的危险源分析算法

被引：6

作者：

佘雅莉

周良

机构：

[1] 南京航空航天大学计算机科学与技术学院

来源：

计算机技术与发展 | 2018年 / 28卷 / 11期

关键词：

危险源原因分析; 关联规则挖掘; 蚁群算法; 粒子群;

D O I：

暂无

中图分类号：

TP18 [人工智能理论];

学科分类号：

140502 [人工智能];

摘要：

针对民航危险源原因分析中存在人工参与较多缺乏客观性的问题,设计了一种基于混合蚁群关联规则挖掘的危险源原因分析算法(HA-MACR),利用关联规则挖掘来探索危险源原因。该算法摒弃了传统关联规则挖掘算法重复扫描数据库导致挖掘效率较低及产生大量候选集、容易出现"组合爆炸"现象等缺点,将改进后的蚁群算法用于挖掘最大频繁项集,并由此产生质量较好的强关联规则,从而找到导致危险源的不安全事件。同时,为了避免蚁群的盲目性,混合了粒子群,借助粒子群确定蚁群的初始信息素浓度。通过上述改进,有效增强了算法的搜索能力,提高了关联规则挖掘的效率,且避免了算法陷入局部最优,从而使危险源原因分析更加快速、准确。

引用

页码：89 / 93

页数：5

共 11 条

[1]

求解TSP的改进信息素二次更新与局部优化蚁群算法 [J].

许凯波 ;

鲁海燕 ;

程毕芸 ;

黄洋 .

计算机应用, 2017, 37 (06) :1686-1691

[2]

一种自底向上的最大频繁项集挖掘方法 [J].

赵阳 ;

吴廖丹 .

计算机技术与发展, 2017, 27 (08) :57-60+65

[3]

基于多维特征的开源项目个性化推荐方法 [J].

杨程 ;

范强 ;

王涛 ;

尹刚 ;

王怀民 .

软件学报, 2017, 28 (06) :1357-1372

[4]

基于信息素的自适应连续域混合蚁群算法 [J].

周袅 ;

葛洪伟 ;

苏树智 .

计算机工程与应用, 2017, 53 (06) :156-161

[5]

关联规则挖掘算法Apriori的研究改进 [J].

周发超 ;

王志坚 ;

叶枫 ;

邓玲玲 .

计算机科学与探索, 2015, 9 (09) :1075-1083

[6]

一种基于FP-growth的并行SON算法的实现 [J].

郭进伟 ;

皮建勇 .

微型机与应用, 2014, 33 (08) :60-63

[7]

自适应和最大最小蚁群算法的物流车辆路径优化比较 [J].

陈昌敏 ;

谢维成 ;

范颂颂 .

西华大学学报(自然科学版), 2011, 30 (03) :5-8

[8]

挖掘最大频繁项集的改进蚁群算法 [J].

黄红星 ;

王秀丽 ;

黄习培 .

计算机工程与应用, 2011, 47 (13) :161-165

[9]

SET-PSO-based approach for mining positive and negative association rules [J].

Agrawal, Jitendra ;

Agrawal, Shikha ;

Singhai, Ankita ;

Sharma, Sanjeev .

KNOWLEDGE AND INFORMATION SYSTEMS, 2015, 45 (02) :453-471

[10]

Assessment of Technical Airworthiness in Military Aviation: Implementation and Further Advancement of the Bow-tie Model.[J].Leon Purton;Reece Clothier;Kyriakos Kourousis.Procedia Engineering.2014,

← 1 2 →