通过 Monte Carlo 树搜索算法解决模式挖掘的多样性问题，该算法具有高效性和通用性。

Sep, 2016

提出了一种基于遗传工程概念的新元启发算法 —— 遗传工程算法（GEA），通过重新设计传统遗传算法并引入新的搜索方法，以基于已有基因的选择来孤立、提纯、插入和表达新基因，从而产生具有所选基因的特定染色体，旨在解决遗传算法中的限制问题。与现有算法在基准实例上进行的比较评估表明，GEA 具有卓越的性能，展示了其作为组合优化问题的创新高效解决方案的潜力。

Sep, 2023

本文提出了一种用于挖掘频繁图模式的不同隐私算法，并基于 Markov Chain Monte Carlo 采样方法解决了挖掘频繁图模式的难题，同时保证了隐私和效用保障。

Jan, 2013

本文提出了扩展的 FAIR 数据原则以增强遗传算法的可再现性和可重用性，并使用轻量级 RDF 格式的词汇表来促进此目的。通过遗传算法作为示例，阐述了算法方法发展和变种对于算法复现的挑战。此工作可以扩展到多种优化和机器学习算法。

Apr, 2023

通过引入部分解决方案来改善组合优化问题的解释能力，我们提出了一种算法，该算法选择一系列部分解决方案以在高适应度、简单性和原子性之间取得平衡，实验证明该算法能够以合理的计算成本找到改善解释能力的部分解决方案而不影响搜索性能。

Apr, 2024

Westfall-Young light 是一种用于检测在两个类别中统计显著富集的样式（例如项集和子图）的新算法，通过 Westfall-Young 排列过程，它通过严格纠正多重假设检验和模式之间的相关性，通过排列经验估算每个类别中模式频率的空值分布，不需要为每个排列重新求解基础频繁项集挖掘问题，也不需要存储所有频繁模式的出现列表，在流行的真实世界基准数据集上，该方法显著优于当前最先进的方法，可以大大减少处理大型数据集的运行时间和内存成本。

Feb, 2015

本文通过对七个开源软件项目的源代码更改历史进行数据挖掘，提出了一种自动推荐源代码更改的方法，并评估了四种广泛使用的数据挖掘算法的性能和执行时间，发现在不同的软件项目中，一些频繁模式挖掘算法，如 Apriori，可能比其他算法更有效，在规模较大的项目中 Apriori 更适用，而在小型项目中 Eclat 更适用，FP-Growth 的执行时间更短。

Apr, 2023

本文旨在自动从分类数据集中提取最能解释该数据集的决策规则集。为了高效解决该组合优化问题，我们引入了一种基于嵌套遗传算法的方法，并使用该方法从十个公共数据集中推导出解释。

Aug, 2022

本文讨论了如何通过用户反馈学习模式的质量函数，并提出了使用更复杂的直接从模式排名派生的特征来替代现有方法中的低级特征，以及如何将多样性约束纳入交互式挖掘系统中。实验结果表明，在参数选择和特征工程方面的优化会提高挖掘算法的性能。

Apr, 2022

本研究探讨了在遗传算法中应用搜索策略以探索整个基因树结构的可能性。我们尝试优化神经网络使用遗传算法，以生成最佳结果，结合了蒙特卡洛树搜索等方法。

Aug, 2023