【正文】 二進(jìn)制數(shù)表示。i++){ Mloc[i] = new Vector()。 for(i=0。 } } }第三，根據(jù)位圖矩陣和初始種群中‘1’的位置得到的兩個(gè)向量數(shù)組 Mloc和 Rloc，每次把 Rloc 數(shù)組中的一向量與數(shù)組 Mloc 中的所有向量比較，每次都比較兩個(gè)向量中所存放的‘1’的位置，如果 Rloc 中的向量所存放的數(shù)在 Mloc中的向量都有相同的數(shù)存在，即種群個(gè)體與位圖矩陣每行所組成的數(shù)進(jìn)行與操作的值等于種群個(gè)體自身，則使用數(shù)組 count 記錄下每次與操作都等于其自身的次數(shù)。jRloc[i].size()。i++){ 第 14 頁 共 24 頁 int countR[] = new int[405]。 } } int max = 0。 //計(jì)算選擇概率放在 fit 數(shù)組中.int fitD[] = new int[50]。放入時(shí)判斷規(guī)則庫中是否已存在該個(gè)體，如果存在，則不放入，在設(shè)計(jì)中，min_conf 是通過輸入框輸入的到，并把值存放到變量 getV 中。 } else{ int k。j405。下面此循環(huán)就是計(jì)算適應(yīng)度的總和。 j = 0。（2）交叉（crossover）實(shí)際應(yīng)用的事務(wù)數(shù)據(jù)庫中項(xiàng)的個(gè)數(shù)往往比較大，即編碼串比較長。 //p 值為染色體交換位. CharSequence rt1 = gener[m].subSequence(p,gener[m].length())。 for(j=0。 for(k=0。 } } for(k=0。實(shí)驗(yàn)采用了基于遺傳算法的雙向關(guān)聯(lián)規(guī)則挖掘算法來尋找藥對藥組。但是，由于做此畢業(yè)設(shè)計(jì)的時(shí)間較短，因此，該系統(tǒng)還有很多地方存在不足，例如在系統(tǒng)界面和風(fēng)格方面太過于普通，不夠美觀，而且用戶的操作的內(nèi)容不夠詳細(xì)豐富；在系統(tǒng)進(jìn)行數(shù)據(jù)挖掘過程中，運(yùn)算的時(shí)間過長，給用戶的使用帶來不夠人性化；對畢業(yè)設(shè)計(jì)和論文的具體步驟和相關(guān)信息的考察還不能夠盡如人意等問題。[5] [J].陜西中醫(yī),2022,23(4):1217。除非另有說明，本文的工作是原始性工作。除非另有科研合同和其他法律文書的制約，本論文的科研成果屬于成都信息工程學(xué)院。在此向他表示我最衷心的感謝！在論文完成過程中，本人還得到了毛磊同學(xué)的熱心幫助，本人向他們表示深深的謝意！最后向在百忙之中評審本文的各位專家、老師表示衷心的感謝！作者簡介：姓 名：吳金偉 性別：男出生年月：1984－12－11 民族： 漢Email:第 24 頁 共 24 頁第 25 頁 共 24 頁聲 明本論文的工作是 2022 年 2 月至 2022 年 6 月在成都信息工程學(xué)院網(wǎng)絡(luò)工程 系完成的。[3] 王瑋,[J].計(jì)算機(jī)工程,2022,26(7):68。結(jié) 論經(jīng)過本學(xué)期幾個(gè)月的設(shè)計(jì)和開發(fā)，基于遺傳算法的中藥藥對挖掘系統(tǒng)基本開發(fā)完畢。本文實(shí)驗(yàn)基于脾胃類方劑庫。 } else{第 18 頁 共 24 頁 bianyi[p1[k]] = 39。 } int p2 = (int)(()*50)。因此本文進(jìn)行變異操作時(shí)，先以一概率隨機(jī)選擇個(gè)體，選中后，隨機(jī)產(chǎn)生變異位，對變異位作翻轉(zhuǎn)操作。 n = (m+ra)%50。 } gener[i] = Ch[m]。i++){ //根據(jù)隨機(jī)選擇個(gè)體 . n = ((int)(()*val))+1。使用個(gè)體的相對適應(yīng)度來作為其在選擇操作中被選中的概率，每一輪選擇產(chǎn)生一個(gè)[0,1]均勻隨機(jī)數(shù)，將該隨機(jī)數(shù)作為選擇指針來確定被選個(gè)體，適應(yīng)度大的個(gè)體被選中的概率大，參與復(fù)制、交叉生成新一代種群的機(jī)會就大，反映了自然界生物進(jìn)化“物競天擇，適者生存”的自然法則。 } else{ break。 } rfitD[h] = fit[i]。 } //計(jì)算出隨機(jī)數(shù)的置信度。 }第五，把上面計(jì)算得到的分子分母值進(jìn)行計(jì)算，得到每個(gè)初始種群個(gè)體的適應(yīng)度。139。 for(i=0。p1060。139。 } } } 第二，把產(chǎn)生的種群中的所有值為‘1’的位置進(jìn)行記錄，在此處同樣是通過向量組進(jìn)行的記錄，每個(gè)向量記錄每個(gè)種群個(gè)體中的‘1’的位置。 for(i=0。count(Ci)是對在位圖矩陣的第 i 列中所有 1 的累加，即計(jì)算在位圖矩陣的第i 列中為 1 的次數(shù)。 適應(yīng)度函數(shù) 適應(yīng)度函數(shù)設(shè)計(jì)遺傳算法中使用適應(yīng)度來度量種群中各個(gè)體在優(yōu)化計(jì)算中可能達(dá)到或有助于找到最優(yōu)解的優(yōu)良程度，適應(yīng)度較高的個(gè)體遺傳到下一代的概率就較大。 } } if(p==j){ tempLoc[j] = loc。 tempLoc[j] = loc。的位置). for(j=0。i++){ int t = (int)(Math. random()*28)。 編碼用遺傳算法進(jìn)行雙向關(guān)聯(lián)規(guī)則挖掘，編碼是要解決的首要問題。139。kl。ResultSet rsName1 = (queryName1)。 } p++。 第 8 頁 共 24 頁 } 此句判斷如果數(shù)組中沒有數(shù)，則直接放入該數(shù)。（2）接下來需要得到位圖矩陣的列數(shù)和列所對應(yīng)的藥物的名稱。建立位圖矩陣的步驟如小：（1）使用 sql 查詢語句，通過查詢方編號得到方劑表中的方劑的總數(shù)量，以此得到位圖矩陣的行，也就相當(dāng)于上一小節(jié)提到的事務(wù) Tk。先設(shè)計(jì)只包含 II 4 兩個(gè)項(xiàng)的事物 T，其位圖為 01010。用 Ik(k 為自然數(shù) )表示事務(wù)數(shù)據(jù)庫中的一項(xiàng)，I I …、I k、…、I n 表示事務(wù)數(shù)據(jù)庫中的所有項(xiàng)。 （3）采用概率的變遷規(guī)則來指導(dǎo)搜索方向，而不采用確定性搜索規(guī)則。遺傳算法是數(shù)據(jù)挖掘技術(shù)中的一個(gè)重要算法。由于遺傳算法是由進(jìn)化論和遺傳學(xué)機(jī)理而產(chǎn)生的搜索算法，所以在這個(gè)算法中會用到很多生物遺傳學(xué)知識，下面是將會用到的一些術(shù)語說明：一、染色體(Chromosome)染色體又可以叫做基因型個(gè)體(individuals),一定數(shù)量的個(gè)體組成了群體(population),群體中個(gè)體的數(shù)量叫做群體大小。從某種程度上說遺傳算法是對生物進(jìn)化過程進(jìn)行的數(shù)學(xué)方式仿真。我們很多時(shí)候?qū)ο嗷ヒ蕾嚦潭雀叩囊?guī)則——即下面定義的強(qiáng)雙向規(guī)則感興趣。它反映了 A 對 B 的依賴程度。 雙向關(guān)聯(lián)規(guī)則定義 1（雙向關(guān)聯(lián)規(guī)則）：設(shè) I={i1,i2,…,im}是項(xiàng)的集合，任務(wù)相關(guān)的數(shù)據(jù)D 是數(shù)據(jù)庫事務(wù)的集合，其中每個(gè)事務(wù) T 是項(xiàng)的集合，使得 T I。這樣的規(guī)則只能確定 A 對 B 的“依賴” ，不能同時(shí)確定 B 對 A 的“依賴” ，但很多時(shí)候人們感興趣的是“相互依賴”的規(guī)則。例如在大型商場中牛奶的銷售對面包的銷售的影響，發(fā)現(xiàn)這樣的規(guī)則不僅可以應(yīng)用于商品貨架設(shè)計(jì)、貨存安排，而且可以根據(jù)購買模式對用戶進(jìn)行分類，制定相應(yīng)商務(wù)決策、銷售策略。 Bidirectional association rule。關(guān)鍵詞：數(shù)據(jù)挖掘；置信度；雙向關(guān)聯(lián)規(guī)則；遺傳算法The Design and Implementation of Chinese Medicine Groups Mining System based on Geic Algorithm AbstractThis paper researches the patibility of chinese medicine prescriptions by data mining techniques. The main contributions include: analyzes the problems in the association rules, and introduces the concept of the bidirectional association rule。結(jié)果證明：該系統(tǒng)能夠快速高效地從方劑庫中找出具有重要意義的藥對藥組，對中醫(yī)藥的研究發(fā)展有一定意義。 Confidence。關(guān)聯(lián)規(guī)則通過量化的數(shù)字描述數(shù)據(jù)項(xiàng) A 的出現(xiàn)對數(shù)據(jù)項(xiàng) B 的出現(xiàn)產(chǎn)生的影響。（2）不能確定“相互依賴”的規(guī)則 第 2 頁 共 24 頁關(guān)聯(lián)規(guī)則反映 A、B 同時(shí)出現(xiàn)的概率和 A 出現(xiàn)的條件下 B 出現(xiàn)的條件概率。可事實(shí)上，電腦和 VCD 播放機(jī)是負(fù)相關(guān)的，買其中之一實(shí)際上減少了買另一種的可能性，因?yàn)橘徺I VCD 播放機(jī)的可能性是 75%，大于 66%。 一個(gè)是關(guān)聯(lián)規(guī)則 A=B 的置信度：conf(A=B) = P(B|A) = P(AB) / P(A)另一個(gè)是關(guān)聯(lián)規(guī)則 B=A 的置信度： conf(A=B) = P(A|B) = P(AB) / P(B) 置信度 conf(A=B)表示 A 出現(xiàn)的條件下 B 出現(xiàn)的條件概率，也就是 A 和B 同時(shí)出現(xiàn)的概率與 A 出現(xiàn)的概率的比值。雙向關(guān)聯(lián)規(guī)則 A ?B 的這兩個(gè)置信度共同反映了 A 和 B 的相互依賴程度。1962 年霍蘭德(Holland) 教授首次提出了 GA 算法的思想，它借用了仿真生物遺傳學(xué)和自然選擇機(jī)理，通過自然選擇、遺傳、變異等作用機(jī)制，實(shí)現(xiàn)各個(gè)個(gè)體的適應(yīng)性的提高。對這個(gè)新種群進(jìn)行下一輪進(jìn)化，至到最適合環(huán)境的值。3 需求分析及設(shè)計(jì)方案由于事務(wù)數(shù)據(jù)庫一般只具有對大量數(shù)據(jù)的存取、檢索功能，對于用戶的一般性的使用可以滿足，然而，正是由于數(shù)據(jù)庫中存放了大量的數(shù)據(jù)，不同的數(shù)第 5 頁 共 24 頁據(jù)項(xiàng)，以及多個(gè)數(shù)據(jù)項(xiàng)之間還存在有大量的隱含的、未知的、有意義的數(shù)據(jù)關(guān)系，這些關(guān)系對于用戶有著及其重要的作用，所以數(shù)據(jù)挖掘便在此情況下產(chǎn)生了。 （2）搜索過程是從一組解迭代到另一組解，采用同時(shí)處理群體中多個(gè)個(gè)體的方法，降低了陷入局部最優(yōu)解的可能性，并易于并行化。下面