该论文选择"最优化技术在数据挖掘中的应用"为题,通过分析几类数据挖掘问题,建立相应问题的优化模型.研究具体的优化算法用于求解数据挖掘的优化模型,进行了算法设计和数值实验.该论文所取得的主要研究成果和主要创新点有如下五个方面.1.给出了数据分类问题、数据聚类问题、回归问题以及数据相关性问题的最优化数学模型.提出了新的光滑支撑向量机模型、数据聚类优化模型和数据相关性的优化模型.2.提出一种用多项式光滑的新支撑向量机模型,并用BFGS算法和Newton-Armijo算法求解,数值实验表明提出的多项式光滑的支撑向量机模型是十分有效的光滑模型.3.对数据聚类的K-质心聚类算法提出了一种改进K-质心聚类算法.在算法的初始化阶段用分段技术对初始中心进行处理,数值实验表明,新算法可提高效率3~4倍.4.研究了等基数的双目录分割问题.将等基数的双目录分割问题转化为一个半定规划模型,然后给出了一个改进的随机算法,通过算法理论分析,得到其算法近似性能比为0.6378,高于0.5.由此回答了由Jon Kleinberg在1998年提出的公开问题.5.研究了关联规则挖掘算法和因果规则的近似表示,提出一种新算法--矩阵算法,通过数值实验说明矩阵算法在减少产生项大集的运行时间上效果是显著的.论文还用优化的思想对因果关系的近似表示进行了研究,给出一种用一次多项式近似表示的方法,近似表示的结果比较理想,误差也较小.