技術(shù)特征：

1.一種基于自適應(yīng)動態(tài)信息素的快速收斂蟻群分類方法，其特征在于，包括：

在蟻群搜索之前，設(shè)置指導(dǎo)所述蟻群的搜索行為的啟動因子；

在所述蟻群的路徑搜索過程中留置信息素信息，基于所述信息素信息通過設(shè)定的概率轉(zhuǎn)移函數(shù)搜索所述蟻群的下一步路徑；

在所述蟻群的全部路徑搜索完畢后，將整體距離最短的路徑確定為所述蟻群的最佳路徑。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述的在蟻群搜索之前，設(shè)置指導(dǎo)所述蟻群的搜索行為的啟動因子，包括：

在蟻群搜索之前，設(shè)置指導(dǎo)所述蟻群的搜索行為的啟動因子為：

公式1中，|term_ij|表示目標(biāo)類別中第i個特征屬性取第j個值的樣例數(shù)目；|trainingset_ij|表示所有分類類別，即整個訓(xùn)練集中第i個特征屬性取第j個值的樣例總數(shù)目。

3.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述的在所述蟻群的路徑搜索過程中留置信息素信息，包括：

1：在所述蟻群進(jìn)行路徑搜索之前，對信息素進(jìn)行初始化設(shè)置：

${\mathrm{\λ}}_{ij}\left(0\right)=\frac{1}{\underset{i=1}{\overset{N}{\Σ}}{M}_i}$

λ_ij(0)表示在初始時刻，第i個特征屬性的第j個值的數(shù)據(jù)點上的信息素濃度，M_i和N分別代表第i個特征屬性的取值個數(shù)、特征屬性的個數(shù)

2：所述蟻群在一個路徑的搜索過程完成后，搜索下一個路徑之前，進(jìn)行動態(tài)的自適應(yīng)信息素更新,更新函數(shù)為：

${\mathrm{\λ}}_{ij}^{new}=(1-\mathrm{\α}){\mathrm{\λ}}_{ij}^{old}+\mathrm{\α}({\mathrm{\Δ\λ}}_{ij}-\mathrm{\β})$

所述表示原有信息素，所述Δλ_ij表示新增信息素，所述表示更新后的信息素，α是信息素的揮發(fā)率，β表示信息留存率；

$\mathrm{\β}=\frac{Q}{\underset{l=1}{\overset{x}{\Σ}}\underset{k=1}{\overset{m}{\Σ}}{d}_l^k}.p\left(i\right|1,2,\mathrm{...}j)$

式中，x為螞蟻k走過的邊數(shù)，d為螞蟻k走過的邊長，m為構(gòu)成蟻群的螞蟻總數(shù)，Q為常數(shù)參量，p(i|1,2,...j)為通過引入路徑留存率模型來表示蟻群從屬性i選擇至位置j時的留存概率；

$p\left(i\right|1,2,3...j)=1-\frac{d(i,j)}{D\left(d\right(1,2,...i),d(1,2,3...j\left)\right)}$

d(i,j)為本步蟻群走過的路徑長度，D(d(1,2,...i),d(1,2,3...j))為蟻群走過的歷史總長度的和；

對更新后的信息素進(jìn)行平滑處理，該平滑處理的公式如下：

${\mathrm{\λ}}_{ij}^{new}(k+1)={{\mathrm{\λ}}_{ij}}^{old}\left(k\right)+\mathrm{\ϵ}\·\[({\mathrm{\λ}}_{max}+{\mathrm{\λ}}_{\min }+2{{\mathrm{\λ}}_{ij}}^{old}(k\left)\right)/2\]$

所述表示第k+1次迭代時，平滑化之后的初始化新的信息素，所述代表第k次迭代后，特征屬性數(shù)據(jù)空間的老的信息素，上一次規(guī)則挖掘的結(jié)果對本次挖掘的影響由參數(shù)ε決定。

4.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述的基于所述信息素信息通過設(shè)定的概率轉(zhuǎn)移函數(shù)搜索所述蟻群的下一步路徑，包括：

設(shè)置轉(zhuǎn)移概率函數(shù)為指導(dǎo)螞蟻進(jìn)行路徑選擇的函數(shù)，所述轉(zhuǎn)移概率函數(shù)的計算公式如下：

$P_{ij}\left(t\right)=\left\{\begin{array}{cc}0& otherwise\\ \sqrt[1/b]{\[{\mathrm{\λ}}_{ij}\left(t\right)\]\·\[{\mathrm{\γ}}_{ij}\left(t\right)\]}\·{\[{\mathrm{\λ}}_{ij}\left(t\right)\]}^a/\underset{i=1}{\overset{N}{\Σ}}\underset{j=1}{\overset{M_i}{\Σ}}{\[{\mathrm{\λ}}_{ij}\left(t\right)\]}^a\·{\[{\mathrm{\γ}}_{ij}\left(t\right)\]}^b,& j\∈{\mathrm{allowd}}_{\left(t\right)}\end{array}\right.$

P_ij(t)表示第i個屬性選擇第j個值的概率轉(zhuǎn)移值，其中，a、b表示在這個轉(zhuǎn)移過程中對于某條路徑的側(cè)重值，λ_ij(t)表示t時刻的信息素，γ_ij(t)表示啟動因子；

當(dāng)滿足給定的隨機(jī)數(shù)q<qm時，j＝argmax{[λ_ij(t)][γ_ij(t)]}j∈allowd_(t)，當(dāng)滿足給定的隨機(jī)數(shù)q>qm的時候，按照概率轉(zhuǎn)移函數(shù)選擇j，將j加入列表，即按最大的轉(zhuǎn)移概率選擇下一步的路徑。

5.根據(jù)權(quán)利要求4所述的方法，其特征在于，所述的在所述蟻群的全部路徑搜索完畢后，將整體距離最短的路徑確定為所述蟻群的最佳路徑，包括：

在所述蟻群的全部路徑搜索完畢，即都完成了規(guī)則的構(gòu)建之后，將整體路徑長度最短的路徑確定為所述蟻群的最佳路徑，所述整體路徑長度l的計算公式如下：

$l=\underset{l=1}{\overset{x}{\&Sigma;}}\underset{k=1}{\overset{m}{\&Sigma;}}{d}_l^k$

d為螞蟻k走過的邊長，m為螞蟻總數(shù)；

當(dāng)螞蟻選擇了最佳路徑之后，最后的信息素的全局更新為：

${{\mathrm{\&lambda;}}_{ij}}^{new(t+1)}=(1-\mathrm{\&alpha;}){{\mathrm{\&lambda;}}_{ij}}^{old\left(t\right)}+({{\mathrm{\&Delta;\&lambda;}}_{ij}}^{BestRule}-\mathrm{\&beta;}){|}_{\min }^{\max }$

${\mathrm{\&Delta;\&lambda;}}_{ij}\left(t_{Rule}\right)=\left\{\begin{array}{cc}\underset{k}{\&Sigma;}\frac{Q_k}{n_k}{\mathrm{\&lambda;}}_{ij}\left(t_{Rule}\right),& BeRule={\mathrm{Rule}}_{best}\\ 0,& {\mathrm{Rule}}_{otherwise}\end{array}\right..$

6.根據(jù)權(quán)利要求1至5任一項所述的方法，其特征在于，所述的方法還包括：

當(dāng)螞蟻完成一條規(guī)則的構(gòu)建后，要進(jìn)行規(guī)則的評價修剪，在進(jìn)行規(guī)則選取時，螞蟻對規(guī)則的評價函數(shù)值進(jìn)行排序，排序越靠前的規(guī)則分類能力越強(qiáng)，反之越弱；將衡量分類質(zhì)量的規(guī)則的評價函數(shù)設(shè)計為如下公式：

$Q=\left\{\begin{array}{cc}1-\frac{FN+FP+TN}{TP+FN+FP+TN}& \begin{array}{cc}if& TN=0\end{array}\\ {\left(\frac{TP}{TP+FP}\right)}^c\&CenterDot;{\left(\frac{TP+TN}{TP+FP+TN+FN}\right)}^d& otherwise\end{array}\right.$

TP表示規(guī)則前后都符合條件的樣本數(shù)；FP表示符合分類規(guī)則不符合規(guī)則對應(yīng)條件的樣本數(shù)；TN表示規(guī)則前后都不符合條件的樣本數(shù)；FN表示不符合分類規(guī)則但滿足規(guī)則對應(yīng)條件的樣本數(shù)，Q值越大代表規(guī)則的質(zhì)量越高。