。则是表示所有累加值中的最大数。由于在本设计中，使用的编程语言为语言，为了方便随机个体与位图矩阵中的每项的值进行比较，采用了位图矩阵以及得到的种群都是由字符组成的方式，并不是有真正的二进制数表示。因此，在进行上面提到的个体与位图矩阵的每行的与操作时，是项项的比较，并不是真正意义上的与操作。在设计中进行与操作的方式是，判断个体中含有的位置在位图矩阵的每行对应位置是否也会为，如果判断为真就相当于进行的与操作等于它本身，则需要加，如果位置上的在位图矩阵中的对应位置为，则相当于进行的与操作不等于它本身，从而不需要加。因此，第，对位图矩阵中的所有值为的位置进行记录，此处是用的向量组进行记录，每个向量记录每行中的为的位置。外循环控制行数，在每次外循环时就给向量分配内存空间，内循环控制每行中的下标的移动，随着下标的移动，查询到值为的下标，并记录到向量中。第二，把产生的种群中的所有值为的位置进行记录，在此处同样是通过向量组进行的记录，每个向量记录每个种群个体中的的位置。第三，根据位图矩阵和初始种群中的位置得到的两个向量数组和，每次把数组中的向量与数组中的所有向量比较，每次都比较两个向量中所存放的的位置，如果中的向量所存放的数在中的向量都有相同的数存在，即种群个体与位图矩阵每行所组成的数进行与操作的值等于种群个体自身，则使用数组记录下每次与操作都等于其自身的次数。经过此段代码的运算，数组存放了每个初始种群个体与位图矩阵进行与操作等于其自身的次数，即得到了计算适应度函数的分子的值。第四，计算适应度的分母，即计算出每个初始种群个体中为的位置在位图矩阵对应列中出现的次数，然后通过函数计算出刚计算出的次数中的最大值，最后存放计算出的每个最大值在数组中，用于适应度的计算。存放随机数中每行中的为的数所对应位图矩阵中此列的个个数。遗传操作遗传操作主要包括选择交叉和变异。选择本文的选择操作采用轮盘赌选择法，将个体的适应度与种群的总适应度种群所有个体的适应度之和相比，得到该个体的相对适应度，所有个体的相对适应度之和为。使用个体的相对适应度来作为其在选择操作中被选中的概率，每轮选择产生个,均匀随机数，将该随机数作为选择指针来确定被选个体，适应度大的个体被选中的概率大，参与复制交叉生成新代种群的机会就大，反映了自然界生物进化物竞天择，适者生存的自然法则。在本设计中，轮盘赌选择法的实现方式是，药药对挖掘系统基本开发完毕。其功能基本符合需求，能够完成根据用户输入的置信度遗传代数初始种群个体数量，完成中药数据库数据挖掘功能。但是，由于做此毕业设计的时间较短，因此，该系统还有很多地方存在不足，例如在系统界面和风格方面太过于普通，不够美观，而且用户的操作的内容不够详细丰富在系统进行数据挖掘过程中，运算的时间过长，给用户的使用带来不够人性化对毕业设计和论文的具体步骤和相关信息的考察还不能够尽如人意等问题。这些都还有待进步的完善。通过对本次毕业设计的相关内容的学习和设计内容的实现，使得作者对程序的编写有了更进步的认识编写程序代码并不是最重要的，关键在于前期的需求分析和程序的运算流程的清楚，在没有很好的把思路理清楚之前就盲目的下手编写程序，那样会很浪费时间，效率很低。最后，本文分析了基于支持度置信度框架理论的关联规则挖掘算法的不足，引入了双向关联规则的概念，并详细讲解了本设计基于遗传算法的双向关联规则挖掘算法具体流程，同时也实现基于遗传算法的双向关联规则挖掘算法，使用本挖掘系统，可以快速准确找出事务数据库中有意义的规则。参考文献欧阳为民,蔡庆生基于垂直数据分布的关联规则高效发现算法软件学报。周延泉,何华灿利用广义相关系数改进的关联规则生成算法西北工业大学学报。王玮,陈恩红关联规则的相关性研究计算机工程。王阶,衷敬柏,王永炎方剂配伍理论历史发展与研究思考中医杂志。张跃华试论方剂的组方原则陕西中医。王小平,曹立明遗传算法理论应用与软件实现西安西安交通大学出版社。耿详义,张跃平实用教程第二版北京清华大学出版社。张晓东数据库高级编程北京清华大学出版社。黄明,梁旭,曹利超信息系统设计与开发实例北京机械工业出版社。致谢本文是在曾令明老师的热情关心和指导下完成的，他渊博的知识和严谨的治学作风使我受益匪浅，对顺利完成本课题起到了极大的作用。在此向他表示我最衷心的感谢,在论文完成过程中，本人还得到了毛磊同学的热心帮助，本人向他们表示深深的谢意,最后向在百忙之中评审本文的各位专家老师表示衷心的感谢,作者简介姓名吴金伟性别男出生年月民族汉声明本论文的工作是年月至年月在成都信息工程学院网络工程系完成的。文中除了特别加以标注地方外，不包含他人已经发表或撰写过的研究成果，也不包含为获得成都信息工程学院或其他教学机构的学位或证书而使用过的材料。除非另有说明，本文的工作是原始性工作。关于学位论文使用权和研究成果知识产权的说明本人完全了解成都信息工程学院有关保管使用学位论文的规定，其中包括学校有权保管并向有关部门递交学位论文的原件与复印件。学校可以采用影印缩印或其他复制方式保存学位论文。学校可以学术交流为目的复制赠送和交换学位论文。学校可允许学位论文被查阅或借阅。学校可以公布学位论文的全部或部分内容保密学位论文在解密后遵守此规定。除非另有科研合同和其他法律文书的制约，本论文的科研成果属于成都信息工程学院。特此声明,作者签名年月日首先计算出总的适应度的和，然后随机产生到之间的数，根据产生的随机数得到对应的种群个体，此方式正是模拟了遗传的特点，适应度大的被选中的几率就大，反之被选中的几率就小。下面此循环就是计算适应度的总和。最后，把根据轮盘赌算法选中的种群个体存放到数组中。交叉实际应用的事务数据库中项的个数往往比较大，即编码串比较长。为了促进解空间的搜索，防止过早地收敛，本文交叉操作的交叉点数由确定，其中的为遗传算法的个输入参数，在运行时设置，可以设置为等。交叉位随机产生。例如，图所对应的事务数据库，如果设置成，则为单点交叉，对于父代个体和父代个体，若随机产生的交叉点是，则交叉后产生的子代个体和子代个体分别为。染色体的交叉的实现代码如下选择进行交换的两个体的下标,值为染色体交换位,第位后的染色体交换,,,,变异因为初始种群的产生是随机的，所以事务数据库中所有的项并不定都出现在初始种群中，这会造成部分规则的遗漏以及过早收敛。因此本文进行变异操作时，先以概率随机选择个体，选中后，随机产生变异位，对变异位作翻转操作。变异的实现，在本设计中是通过随机产生需要进行变异的种群个体和选中个体中需要变异的的染色体位置，然后把此位置对应的值进行翻转，把变成，或者把值为的变成。个体中染色体变异产生变异的个体的位置变异后再转换成字符串算法流程测试本论文将上述方法用于中药配伍规律的研究中，从大量古今中药方剂中挖掘药对药组。药对是临床上相对固定的两味药物的配伍形式，是中药配伍中的最小单位药组是临床上相对固定的两味药物以上的配伍形式，也可以把它看作不限于两味药物的特殊药对，这些药对药组对于研究中药配伍规律具有重要意义。本文实验基于脾胃类方剂库。该方剂库含首方剂，涉及味药。实验采用了基于遗传算法的双向关联规则挖掘算法来寻找药对药组。此系统具有的数据挖掘功能，其中有两个选择的模式，是般模式状态下的双向关联规则挖掘，用户可以输入相应的最小置信度和遗传的代数。开始产生初始种群计算适应度，把符合要求的个体放入规则库达到预设世代数选择交叉变异结束图基于遗传算法的双向关联规则挖掘算法流程图二是高级设置模式下的双向关联规则挖掘，用户可以输入初始种群个数遗传代数最小置信度和变异率四个参数。图般模式状态下的双向关联规则挖掘界面图高级设置状态下的双向关联规则挖掘界面在以上两个模式下，根据输入的参数运行得到的结果的状态如下所示图般模式状态下的双向关联规则挖掘结果显示图高级模式状态下的双向关联规则挖掘结果显示由以上两种模式下运行得到的结果表明用基于遗传算法的双向关联规则挖掘算法得到的药对药组，每味药都满足最小置信度要求，所以那些高支持度低置信度药就被排除了，得到的药对药组都具有重要意义。基于遗传算法的双向关联规则挖掘算法能找出了有意义的药对药组。基于遗传算法的双向关联规则挖掘算法不需要反复扫描事务数据库，挖掘规则的速度大大提高。结论经过本学期几个月的设计和开发，基于遗传算法的中求解问题的本身无所知，它所需要的仅是对算法所产生的每个染色体进行评价,把问题的解表示成染色体，并基于适应值来选择染色体，使适应性好的染色体有更多的繁殖机会。在算法中也即是以二进制编码的串。并且，在执行遗传算法之前，给出群染色体，也即是假设解。然后，把这些假设解置于问题的环境中，也即个适应度函数中来评价。并按适者生存的原则，从中选择出较适应环境的染色体进行复制,淘汰低适应度的个体，再通过交叉，变异过程产生更适应环境的新代染色体群。对这个新种群进行下轮进化，至到最适合环境的值。由于遗传算法是由进化论和遗传学机理而产生的搜索算法，所以在这个算法中会用到很多生物遗传学知识，下面是将会用到的些术语说明染色体染色体又可以叫做基因型个体,定数量的个体组成了群体,群体中个体的数量叫做群体大小。二基因基因是串中的元素，基因用于表示个体的特征。例如有个串，则其中的，这个元素分别称为基因。三适应度各个个体对环境的适应程度叫做适应度。为了体现染色体的适应能力，引入了对问题中的每个染色体都能进行度量的函数，叫适应度函数这个函数是计算个体在群体中被使用的概率。四种群染色体带有特征的个体的集合称为