Algorytmy mrówkowe w indukcji reguł

• Autorzy: Janina A. Jakubczyc

Warianty tytułu

Ant Colony Algorithms in the Rule Induction

• Języki publikacji: PL

Abstrakty

Niedoskonałości istniejących algorytmów indukcji reguł są motywacją do ciągłych poszukiwań lepszych rozwiązań. Dotyczą one najogólniej złożoności obliczeń oraz jakości wyników. Jednym z interesujących kierunków badań jest zastosowanie algorytmów mrówkowych, których możliwości rozwiązania złożonych problemów obliczeniowych zostały potwierdzone wieloma badaniami w różnych dziedzinach. (fragment tekstu). Zdaniem autorki, algorytm mrówkowy jest obiecującym narzędziem, które może wspomóc zachłanne algorytmy indukcji reguł. Przeprowadzony eksperyment miał na celu zwrócenie uwagi na to, iż poprawę jakości klasyfikacyjnej można zwiększyć, nie uciekając się do tworzenia bardziej złożnych algorytmów.

EN

The data mining is still an open problem with many unsolved tasks. One of them is greediness of existing rule induction algorithms. Therefore there appear attempts enriching them with some global criterion that would control the search. One of such attempt is applying the mechanism of ant colony algorithms. The analysis of this approach is the subject of this paper. (original abstract)

Słowa kluczowe

PL

Algorytmy; Metody analityczno-obliczeniowe; Eksperyment badawczy

EN

Algorithms; Analytical and computational methods; Scientific experiment

• Czasopismo: Prace Naukowe Akademii Ekonomicznej we Wrocławiu
• Rocznik: 2004
• Numer: nr 1011 Pozyskiwanie wiedzy i zarządzanie wiedzą
• Strony: 108--119

Twórcy

autor

Janina A. Jakubczyc

Bibliografia

• Berry M.J.A., Linoff G.: Data Mining Techniques for Marketing Sales and customer Support. John Wiley & Sons 1997.
• Camazine S.: Self-Organization in Biological Systems. Princeton University Press 2001.
• Cichosz P.: Systemy uczące się, Wydawnictwo Naukowo Techniczne, Warszawa 2000.
• Deneubourg J.L., Goss S., Franks N., Sendova-Franks A., Detrain C., Chretien L.: The dynamic of collecting sorting robot-like ants and ant-like robots. "Proceedings of the International Conference on Simulation of Adaptive Behavior" 2000.
• Eibe F.: Pruning Decision Trees and Lists. PhD Thesis, University of Waikato, 2000.
• Edelstein-Keshet L., Watmough J., Ermentrout G.B.: Trial following in ants: individual properties determine population behaviour. "Behaviour Ecological Sociobiology" 1995 no 36, s. 119-133.
• Freitas A.A.: Understanding the Crucial Role of Attribute Interaction in Data Mining. "Artificial Intelligence Review" 16(3), Nov. 2001, pp. 177-199.
• Galea M.: Applying Swarm Intelligence to Rule Induction, MSc Artificial Intelligence. Division of Informatics, University of Edinburgh, 2002.
• Helbing, D.: Quantitative Sociodynamics. Kluwer Academic, Dordrecht 1995.
• Krieger M., Billeter J.В., Keller L.: Ant-like task allocation and recruitment in cooperative robots. "Nature" 406 (6799) 2000.
• Kuntz P., Layzell P., Snyers D.: A colony of Ant-like agents for partitioning in VLSI technology. Husbands P., Harvey I. (eds), MIT Press "Proceedings of the fourth European Conference on Artificial Life" 1994, 417-424.
• Kolonko J.: Analiza dyskryminacyjna i jej zastosowania w ekonomii. Warszawa PWN 1980.
• Kube C., Bonabeau E.: Cooperative transport by ants and robots, "Robotics and Autonomous Systems" 30 (2000), 85-101.
• Melhuish C, Holland O., Hoddell S.: Collective sorting and segregation in robots with minimal sensing. "Proceedings of the International Conference on Simulation of Adaptive Behavior", 1998.
• Monmarché N., Slimane M., Ventarmi G.,. AntClass: Discovery of clusters in numeric data by an hybridization of an ant colony with the Kmeans algorithm., Laboratoire d'Informatique, E3i, University of Tours. January 1999, Technical Repport no. 213.
• Monmarché N., Venturini G., Slimane M.: On how the ants Pachycondyla apicalis are suggesting a new search algorithm. University of Tours. January 1999, Internal Repport No.214, E3i.
• Neumann J von: Theory of Self-Reproducing Automata, red. A.W. Burks (Univ. of Illinois Press, Champaign, IL 1966); Cellular Automata: Theory and Experiment, Los Alamos, September 1989, Physica D45, nr l - 3, 1990, Proceedings of the Workshop.
• Page R.E., Mitchell S.D.: Self-organization and adaptation In insect societies. Forbes M., Wessels L. (eds), 1990, "Physical Science Association" Fine A.,, no 2, p. 289-298.
• Patpinelli R.S., Lopes H.S., Freitas A.A.: An Ant Colony Based System for Data Mining: Application to Medical Data. Proc. Of the Genetic and Evolutionary Computation, GECCO-2001.
• Parpinelli R.S., Lopes H.S., Freitas A.A.: An Ant Colony Algorithm for Classification Rule Discovery. W: Abbas H.A., Sarker R.A., Newton C.S. (red.): Data Mining: A Heuristic Approach, Idea Group Publishing, London 2002, s. 190-208.
• Parpinelli R.S., Lopes H.S., Freitas A.A.:. Data Mining with an Ant Colony Optimization Algorithm, IEEE Transactions on Evolutionary Computation. Special issue on Ant Colony Algorithms, 2002.
• Quinlan J.R.: Generating production rules from decision trees. Proceedings International Joint Conference on Artificial Intelligence (IJCAI), 1987, 304-307.
• Schweitzer F. (eds.): Self Organization of Complex Structures, Gordon and Breach Pubi., London 1997.
• Wilson E.O.: The sociogenesis of insects colonies. "Science" 228, 1489-1495.