文档介绍：摘要的子结构扩展方法一单标签扩展,并对其正确性和有效性进行了理论证明和实验尽量避免实例的丢失;后者则采取“治疗”的办法,重新找回丢失的实例。实验算子一个体协同算子,使多个代表同一子结构的不同个体可以对同一目标进行协与计算科学学科的培养目标、课程设置等信息组织成为图数据,然后用本文提出关键词:图数据挖掘,子结构发现,进化计算,混合进化算法,个体协同,回溯关系无处不在。近年来,学习数据中各种关系的结构数据挖掘得到了广泛的关注并成为了数据挖掘与机器学习领域的一个重要分支。结构数据含有更为丰富的信息,更能反映问题的本质,同时也会导致更大、更复杂的假设空间,从而向数据挖掘与机器学习领域提出了新的挑战。本文将在众多的复杂问题求解过程中表现突出的进化算法引入到结构数据挖掘的子结构发现之中,取得了较同类算法更好的实验结果。本文的主要工作包括如下内容:⒁谰莼旌辖惴ɡ砺厶岢隽嘶旌辖咏峁狗⑾炙惴℉。在中,给出了基于图的染色体表示和遗传算子,并将爬山算法的思想融于交叉和变异算子的设计之中,实验结果表明了该算法的有效性。同时我们还提出了一种新验证。⒆油纪刮侍馐峭际萃诰虻钠烤蔽侍猓窃斐晌侍飧丛拥母此凇其表现之一就是它造成了进化的单向性,从而导致了查找的不完全性。为此我们提出了基于带回溯个体的混合进化子结构发现算法ɑ厮莼迫谌氲了进化过程之中,可以对假设空间中的某些关键区域进行密集搜索,实验结果表明了该算法的有效性。⑹道J窒笫墙峁故萃诰蛑泄惴捍嬖诘脑斐山庵柿拷档偷囊桓鲋匾原因。为此我们提出了两个算法虷,前者采取“预防”的策略,结果表明了以上两种算法的有效性。在校颐腔固岢隽艘桓鲂碌囊糯同查找,以提高解的质量。由于个体协同算子需要进行频繁的图同构操作,而图同构操作虽然不像子图同构那样已被证明是完全问题,但目前还没有多项式级的算法存在,为此本文提出了一个时间复杂度为多项式级的近似图同构算法以提高个体协同算子的执行效率。⒔ū疚奶岢龅乃惴ㄓτ糜谘Э平ㄉ韬颓蚓醚芯俊G罢呓ǜ髟盒P畔的算法挖掘出典型模式作为新建专业的参考模型;后者将我国个大中城市年的经济发展数据及城市之间的地域相邻关系建模为一个图,并用本文提出的算法挖掘出满足一定约束条件的经济发展模式。搜索
.甌,,甀瑂甒.,瑃..甌一瓵甀瑆産..,琲瓸,.,.,瑆瑃甌瓵,琣,瓵甋畐
,,甀,.猻:琱.
⋯文作一啼南切学位论文作者虢亏渤签字吼≥∞辏拢嗳刷磴轹涵红签字日期:知辏拢嗳学位论文版权使用授权书独创性声明或撰写过的研究成果,也不包含为获得墨鲞盘堂或其他教育机构的学位或证本学位论文作者完全了解苤鲞盘堂有关保留、使用学位论文的规定。特授权:叁鲞盘堂可以将学位论文的全部或部分内容编入有关数据库进行检签字日期:二∞月既本人声明所呈交的学位论文是本人在导师指导下进行的研究工作和取得的研究成果,除了文中特别加以标注和致谢之处外,论文中不包含其他人已经发表书而使用过的材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示了谢意。索,并采用影印、缩印或扫描等复制手段保存、汇编以供查阅和借阅。同意学校向国家有关部门或机构送交论文的复印件和磁盘。C艿难宦畚脑诮饷芎笫视帽臼谌ㄋ得,,。一\#瑀
⑾炙舻难芯苛煊引言领域的一个主流分支。在刚刚结束的第五届图挖掘和图学习国际研讨会两种结构类型。而图数据挖掘与学习中的核心问题一子结构发现正是本文要研究计算机科学技术的飞速发展和经济的全球化使人类进入了信息经济时代,随之而来的海量数据远远超出了人类现有的处理能力。更为复杂的是,除了海量性之外,数据本身往往还呈现出结构化的特点,即数据内部或数据之间存在着形形色色的、常常较数据本身更能反映问题实质的联系。这又进一步加大了数据的自动处理和分析的难度,同时也使得许多数据挖掘结果不能尽如人意。“数据的丰富和复杂,高质量知识的匮乏’’呼唤更为强有力的数据挖掘工具。近年来,从结构数据中挖掘和学习引起了众多研究者的关注,并逐渐成为数据挖掘和机器学习’闹饕成险庋碞笆萃诰蚝突餮罢诰怀〗峁够锩数十年来人们一直关注独立同分布数据,然而现在许多研究者开始或正在研究建立在更为复杂的数据表示形式上的问题,⋯⋯结构数据的挖掘和学习涉及到生物学、化学、药学、机器人学、计算机科学、数学等众多的学科,并已在生物工程、交通运输、通信、计算机辅助设计、社会网络分析、国家安全等领域取得了许多令人振奋的成果。结构数据可以表现为象在蛋白结构预测和自然语言分析中所呈现出的序列或树等简单的结构形式,也可以表现为在论文引用图和兴现出的复杂的图结构形式。但从本质上讲结构数据可以分为以下两种类型:葜涫窍嗷ザ懒⒌模荼旧碛梢幌盗邢嗷ス亓5氖堤遄槌内部结构绶肿樱喔鍪葜浠ハ嗔O敌纬闪烁8丛拥慕峁外部结构鏦械耐澈蜕缁嵬缰械母鎏濉图是一种通