以混合式遗传算法核心的网络差异数据挖掘技术

【摘要】 网络差异数据挖掘技术在对数据进行处理方面发挥着非常重要的作用，然而传统算法的网络差异数据挖掘技术由于受到相似干扰的影响非常深，导致在计算中存在有非常多的局限，而且计算步骤特别多非常的繁琐，因此需要对传统计算法进行改进，也就杏花村能了以混合式遗传算法核心的网络差异数据挖掘技术，通过一些相关的实验可以证明，以混合式遗传算法核心的网络差异数据挖掘方法的计算效率以及计算精确度明显高于传统的计算方法。

【关键词】 混合式遗传算法 网络差异 数据挖掘技术

现阶段各项计算机技术以及数据挖掘技术都在不断的发展和更新，生活中会应用到网络数据的领域在不断的扩大，然而网络数据非常庞大，因此如何快速的在众多的网络数据中获得网络差异数据并且对网络差异数据进行分析便成了当下网络差异数据领域研究的重点。

一、传统网络差异数据挖掘方法

现阶段，基于遗传算法的网络差异数据处理方法是最为常见的，发展空间最大并且事用范围最广的一种数据挖掘处理方法，然而这种传统的以遗传算法为基础的数据挖掘方法在处理数据量非常大的数据时会存在有一定的局限，因为不同的网络数据属性不同大，导致应该传统计算方法对差异数据进行挖掘时存在稳定性差，计算过成非常繁琐等缺点，因为传统的计算方法依靠的是建立一种模糊规则来进行数据挖掘，基于这种情况，一旦数据出现接近特征，就会出现新的模糊约束规则，导致计算方法非常的繁琐，效率不高，因此需要我们对该方法进行改进，以混合式遗传算法核心的网络差异数据挖掘方法在这种情况下变应运而生。该处理方法有效的改善了传统计算方法的局限性，将模糊理论去除，转换为大变异操作方法从而进行网络差异数据的挖掘工作。

二、网络差异数据挖掘原理

网络差异数据挖掘的目的就是从随意的，不清晰的，存在有大干扰的，不完整的以及随机囤放的各类数据中有效并且快速的将其中隐藏有目标数据以及拥有较大价值的信息挖掘出来。网络差异数据为网络用户提供他们要进行决策时需要了解的信息。一般情况下，网路用户几乎没有意识到数据存储的价值，因此这就给网络差异数据挖掘技术提出了更高的要求，需要他们满足在多种情况下都可以进行网络知识功能，这样才可以更好的满足网络用户对信息的需求。另外，网络差异数据挖掘系统还需要存在有多角度以及多层次的网络知识水平，并且不能禁止网络用户进行有价值的网络知识模式，从而方便网络用户在有价值的数据基础上进行相对边角正确的决策。因为传统的计算方法在遇到相思相属性的干扰时，是以模糊规则为基础进行的各种关联规则的建立，所以存在的约束条件非常对，而且计算方法非常的麻烦。

三、改进后的以混合式遗传算法核心的网络差异数据挖掘技术原理

对传统媒过方法进行改进，从而形成了以混合式遗传算法核心的网络差异数据挖掘方法，该方法是在传统计算方法的基础上改进的，将传统计算方法中的优点保留，对不足之处进行改变，从而形成了新的网络差异处理方法。

1、编码问题。以混合式遗传算法核心的网络差异数据挖掘技术中一项非常明@的编码技术就是二进制的位串编码，然而在实际的编程中却存在有差异，反而使采用浮点数的方法来表示所表现出来的效果更为哦突出。

2、杂交算子。因为以混合式遗传算法核心的网络差异数据挖掘技术是对传统计算方法的额改进，因此其中的编码方式会存在有非常明显的变化，这就需要杂交算子进行非线性组合之间的设计。其中具体的方式如下，在以混合式遗传算法核心的网络差异数据挖掘技术中，采用的是两个个体Sa和sb之间的杂交方式，则会形成一个全新的个体。

在形成新个体的过程中ч的取值范围应该在0到1之间，当然如歌实际情况有所差异，根据实际的情况对ч的取值范围进行合理的缩小，如果ч是作为一个常数出现的，那么杂交算计就是统一的杂交方式。如果ч的取值是以代数变化作为基础的，则进行的是不统一杂交方式，在进行网络差异数据挖掘时，随着迭代次数的不断增多新个体的性能也会得到不断的提升，所表现出来的差异就会不断的缩小。

3、得出结论。以混合式遗传算法核心的网络差异数据挖掘技术同传统的遗传算法进行比较，可以发现该方法比传统算法取得的效果要好很多。同时，该方法比较适用于对模糊信息以及海量数据进行处理，具有非常良好的性能以及自适应性，是对传统遗传算法的一种改进和性能补充。

结语：综上所述，现阶段伴随着计算机网络技术以及数据处理技术的不断发展，用到网络差异数据挖掘技术的范围在不断的增大，然而传统的计算方法具有稳定性差，局限性大以及计算方法繁琐等众多问题，本文通过分析，证明了以混合式遗传算法核心的网络差异数据挖掘方法是对传统方法的改进，具有很强的优越性。

参 考 文 献

[1]王慧，张翠羽.基于改进遗传算法的网络差异数据挖掘算法[J].计算机仿真，2015，32（5）：311-314.

[2]张砚雪.遗传算法在关联规则数据挖掘的应用[J].电脑知识与技术，2015，11（15）：181-182，189.

[3]张冬冬.基于遗传算法的决策树优化算法研究[D].兰州交通大学，2014.