Fouille de données basée algorithmes bio-inspirés

Abstract

L’extraction de connaissances dans les bases de données, également appelé “data mining”, désigne le processus de découverte des informations et des connaissances utiles, nouvelles et compréhensibles à partir d’une base de données de grande taille, d’un entrepôt de données ou d’autres bases. La majorité des problèmes d’extraction de connaissances peuvent s’exprimer comme des problèmes d’optimisation combinatoire. Par conséquent, nous avons besoin d’une approche fondamentale différente des approches d’extraction exactes classiques. Cette approche est basée sur l’inspiration des idées et des intuitions à partir de la nature et de la vie (biologique, physique, etc.) pour résoudre les problèmes d’extraction de connaissances. Notre contribution est faite en deux phases : La première phase consiste à concevoir des méta-heuristiques bio-inspirés pour résoudre des problèmes d’optimisation combinatoire d’une manière générale et la deuxième phase consiste à réaliser et d’appliquer ces méta-heuristiques proposées aux problèmes d’extraction de connaissances. Dans la première phase, nous avons proposé deux algorithmes bio-inspirés, le premier algorithme appelé QDEPSO hybride entre le DE et le PSO. Le deuxième algorithme appelé QIFAPSO fait coopérer le firefly algorithm et le PSO. Les deux algorithmes utilisent les concepts de l’informatique quantique. Dans la deuxième phase, nous avons appliqué l’algorithme QIFAPSO pour résoudre le problème de la sélection d’attributs. Une évaluation expérimentale approfondie sur les différents jeux de données disponibles dans la littérature montre que les algorithmes développés sont performants et concurrents en terme de qualité de solutions comparant avec d’autres algorithmes qu’ont été développés pour résoudre des problèmes d’optimisation combinatoire ou bien dans la résolution de problème de la sélection d’attributs.