基于量子精英蛙的最小属性自适应合作型协同约简算法

属性约简是粗糙集理论研究的重要内容之一,现已证明求决策表的最小属性约简是一个典型NP-Hard问题.提出一种基于量子精英蛙的最小属性自适应合作型协同约简算法.该算法首先将进化蛙群编码为多状态量子染色体形式,利用量子精英蛙快速引导进化蛙群进入最优化区域寻优,有效增强进化蛙群的收敛速度和全局搜索能力.然后构建一种自适应合作型协同进化的最小属性约简模型,融合蛙群最优执行经验和分配信任度自适应分割属性约简集,并以模因组内最优精英蛙优化各自选择的属性子集,提高属性约简的协同性和高效性,快速找到全局最小属性约简集.实验研究表明提出的算法在搜索最小属性约简解时具有较高的执行效率和精度.     

求解最小属性约简的病毒协同进化微粒群算法

提出一种基于病毒协同进化微粒群的最小属性约简算法.在算法中,进化在宿主与病毒种群之间协同进行,通过满足约简分辨力不变条件的最优病毒种子复制操作产生病毒库,病毒通过感染操作在宿主种群完成横向局部搜索,以提高算法局部精确解搜索能力;同时通过删减操作完成自我更新,实现增加局部搜索范围的目的.最后对UCI数据集进行属性约简实验,结果表明该算法在搜索最小属性约简解方面优于其他进化算法,同时收敛速度及寻优效率也有较大提高.     

一种属性重要性定义方法及其在约简中的应用*

针对基于Pawlak和基于条件熵的属性重要性约简算法存在的局限性,提出了一种基于分辩矩阵的属性重要性约简算法。首先详细分析了这两类属性约简算法产生局限性的原因;然后据根属性在分辩矩阵中区分对象时所起的作用的情况,给出了一种基于分辩矩阵的属性重要性定义方法,并且通过该方法计算分辩矩阵中属性的重要性;最后按照属性重要性大小的顺序来依次添加属性到核集中,直至获取决策表的一个最小约简。实例分析表明,该算法能够有效找到最小约简,与其它法相比,当决策表中条件属性较多时,该算法能够大幅减少计算工作量。     

基于属性重要性的Rough sets约简方法研究

本文介绍了粗糙集的基本知识,提出了基于属性重要性的Rough sets约简方法,通过属性约简以及属性值约简,生成最小约简表,从中获取规则;并通过实例验证该方法的有效性。     

一种基于Rough集理论的属性约简启发式算法

属性约简是知识发现中的关键问题之一．为了能够有效地获取决策表中属性的最小相对约简，在Rough集理论的基础上构造了一个新的算子，将信息论角度定义的属性的重要性作为启发式信息，来描述在决策表中条件属性所提供的知识对决策属性的影响；并采用宽度优先搜索策略，提出了一种新的属性约简启发式算法．以原始条件属性集为起点并结合算子，通过向属性核的递减式逼近，得到属性的最小相对约简．实例分析表明，该算法能有效地对决策表属性进行约简．     

一种连续值属性约简方法ReCA

属性约简是Rough集理论的主要应用和研究内容之一．现有的各种属性约简方法大多适用于离散值属性．对于连续值属性的数据处理，通常做法是先对其进行离散化．这种先期对数据进行的处理会丢失一些信息，易于使约简产生错误．针对连续值信息系统，提出了一种新的属性约简方法ReCA，该方法将连续值属性离散化与属性约简过程融为一体，以基于信息熵的不确定性度量作为适应度函数。通过进化计算同时得到约简属性集合和离散化的断点集合．实验表明，该方法不仅可以有效地进行属性约简，而且与Rough集及C4．5两种方法相比，得到的属性数目少、测试精度较高．     

基于离散差分演化的粗糙集属性约简算法

为了有效地获取属性最小相对约简,提出了一种新的基于离散差分演化算法的粗糙集属性约简算法。利用一种新的区间编码机制将差分演化算法离散化,用于求解最小属性约简问题。提出了一种新的适应度函数计算方法来控制染色体朝着最小约简的方向进化。实验结果表明该算法是有效的,特别是当数据规模较大时收敛速度更快,更加节省计算时间,为属性约简提供了一个新的思路。     

基于属性重要性的逐步约简算法

粗糙集理论研究的重要内容之一是知识约简的有效性计算问题，目前求解知识约简的算法主要有两种：一种是利用辨识矩阵构造区分函数，另外一种是基于属性重要性的启发式算法．这两种算法均能求得决策系统的最小或次小约简，但由于计算的复杂度高，所以当数据量增大时这些算法的计算性能是不能令人满意的．本文在对后一种算法充分研究的基础上设计了基于属性重要性的逐步约简算法，利用在决策系统中己获得的正区域逐步缩小数据处理范围，减少求解时间．本文将该算法与基于属性重要性的算法进行了实验比较并对结果进行了分析．     

一种基于信息熵的信息系统属性约简算法*

粗糙集中找到最小属性约简是一个NP-hard问题,本文根据知识信息熵的定义和性质,定义属性重要性,分析其性质,得出核的求法,给出约简的判定定理,提出了一种基于信息熵的属性约简算法。该算法采用启发式搜索法,先计算属性重要性,求得核,再以核为起点,以属性重要性大小为启发式信息,选择属性,求得最小约简。理论分析和实际计算表明,该算法简明有效。     

基于云计算的层次粗糙集模型约简算法研究

传统的并行属性约简算法通过利用抽样技术获取小数据样本进行知识约简,但对于大数据集来说,样本数据不具有一般性且无法代表整个数据集.为了弥补传统并行属性约简算法只能用来计算最小属性约简、处理小数据集的缺陷,论文通过分析了先验知识在粒计算中的重要性,结合云计算技术处理海量数据的优势,以粗糙集理论为背景,从不同角度、层次出发建立层次粗糙集模型,提出基于云计算的层次粗糙集模型约简算法,讨论并实现了知识约简算法中的可并行化操作,利用Hadoop在普通计算机集群上进行试验,从运行时间、加速比、可扩展性三个方面对所提出基于正区域、信息熵、边界域算法的重要性进行评价.实验证明：基于云计算的层次粗糙集模型约简算法可以有效处理大数据集.     

粗糙集多目标并行属性约简算法

粗糙集理论(RST)中,求解最小属性约简MAR (minimal attribute reduction)是一种NP-难(non-deterministic polynomialhard)组合优化问题.蚁群优化算法ACO(antcolonyoptimization)是进化算法中的一种启发式全局优化算法,粗糙集理论与ACO相结合,是求解属性约简的一种有效、可行的方式.针对蚁群优化算法易于陷入局部最优解、收敛速度慢等问题,首先以一种改进的信息增益率作为启发信息,提出了冗余检测机制,对每个被选属性和每代最优约简集合进行冗余检测,并提出了概率提前计算机制,可避免每只蚂蚁在搜索过程中相同路径上的信息反复计算;针对大数据集的属性约简问题,考虑到蚁群优化算法具有并行能力以及粗糙集中“等价类”计算的可并行性,提出一种将ACO与云计算相结合用于求解大数据集的属性约简算法,在此基础上,进一步提出一种多目标并行求解方案.该方案可以同时计算出其余属性相对于当前属性或约简集合的重要度.实验结果表明,该算法在处理大数据的情况下能够得到最小属性约简,计算属性重要度的时间复杂度由O(n2)降至O(|n|).     

A simple index rule for efficient traffic splitting over parallel wireless networks with partial information

Multi-path communication solutions provide a promising means to improve the network performance in areas covered by multiple wireless access networks. Today, little is known about how to effectively exploit this potential. We study a model where flows are transferred over multiple parallel networks, each of which is modeled as a processor sharing node. The goal is to minimize the expected transfer time of elastic data traffic by smartly dispatching the flows to the networks, based on partial information about the numbers of foreground and background flows in each of the nodes. In the case of full state information, the optimal policy can be derived via standard MDP-techniques, but for models with partial information an optimal solution is hard to obtain. An important requirement is that the splitting algorithm is efficient, yet simple, easy-to-implement, scalable in the number of parallel networks and robust against changes in the parameter settings. We propose a simple index rule for splitting traffic streams based on partial information, and benchmark the results against the optimal solution in the case of full state information. Extensive simulations with real networks show that this method performs extremely well under practical circumstances for a wide range of realistic parameter settings.     

Multi-objective FMS process planning with various flexibilities using a symbiotic evolutionary algorithm

This paper presents an evolutionary algorithm, called the multi-objective symbiotic evolutionary algorithm (MOSEA), to solve a multi-objective FMS process planning (MFPP) problem with various flexibilities. The MFPP problem simultaneously considers four types of flexibilities related to machine, tool, sequence, and process and takes into account three objectives: balancing the machine workload, minimizing part movements, and minimizing tool changes. The MOSEA is modeled as a two-leveled structure to find a set of well-distributed solutions close to the true Pareto optimal solutions. To promote the search capability of such solutions, two main processes imitating symbiotic evolution and endosymbiotic evolution are introduced, together with an elitist strategy and a fitness sharing scheme. Evolutionary components suitable for the MFPP problem are provided. With a variety of test-bed problems, the performance of the proposed MOSEA is compared with those of existing multi-objective evolutionary algorithms. The experimental results show that the MOSEA is promising in solution convergence and diversity.     

Genetic regulatory network-based symbiotic evolution

The main theme of this paper is to present a novel evolution, the genetic regulatory network-based symbiotic evolution (GRNSE), to improve the convergent speed and solution accuracy of genetic algorithms. The proposed GRNSE utilizes genetic regulatory network (GRN) reinforcement learning to improve the diversity and symbiotic evolution (SE) initialization to achieve the parallelism. In particular, GRN-based learning increases the global rate by regulating members of genes in symbiotic evolution. To compare the efficiency of the proposed method, we adopt 41 benchmarks that contain many nonlinear and complex optimal problems. The influences of dimension, individual population size, and gene population size are examined. A new control parameter, the population rate is introduced to initiate the ratio between the gene and chromosome. Finally, all the studies of there 41 benchmarks demonstrate that from the statistic point of view, GRNSE give a better convergence speed and a more accurate optimal solution than GA and SE.     

基于交叉变异策略的双种群差分进化算法

为加强差分进化算法的全局搜索能力,提出了一种基于交叉变异策略的双种群差分进化算法（CMDPDE）。CMDPDE中,两个种群分别采用大小不同的缩放因子和交叉因子,在每代进化完毕后,对其中缩放因子和交叉因子较小的种群执行交叉或变异策略来寻找更优的个体,同时两个种群之间每10代进行一次信息交流。这种方式与单种群差分进化算法相比,可以通过双种群和交叉变异策略来增加解的多样性,使算法能在更大的范围内寻优。6个Benchmark函数的实验结果证明CMDPDE具有较好的寻优能力。     

实数编码量子共生演算法及其在云任务调度中的应用

针对共生演算法收敛慢和易陷入局部最优的问题,结合量子遗传算法理论,提出一种实数编码的量子共生演算法(real-coded quantum symbiotic organisms search,RQSOS)。首先依据三角模糊数提出差异度概念,并依此构造一个以自变量向量的分量和一对概率幅为等位基因的三倍染色体,使一条染色体携带更多信息并增强解的多样性;然后提出一种基于阿基米德螺旋线的探索学习模式,加强对解空间的探索精度;最后使用共生演算法更新差异度值并依据差异度值对种群进行学习和变异操作,促使整个种群快速向最优方向进化且减小了陷入局部最优的概率。利用数值优化问题和云任务调度问题对算法进行验证,仿真结果表明,RQSOS算法在收敛速度和寻优能力上均有明显提升,是一种可行有效的算法。     

基于混合策略的双种群约束优化算法

提出一种基于混合策略的双种群约束优化算法.利用双种群存储机制处理约束条件,并采用约束支配更新不可行解集,同时采用混合策略进化种群:在进化前期利用Deb准则产生可行解,并保留一部分非劣不可行解参与进化,保持种群多样性;在进化后期让最优个体和次优个体参与进化,使种群快速收敛.仿真实验结果表明,所提出的算法在保证种群多样性的同时,能够较好地收敛到全局最优解,且鲁棒性较好.     

求解频率分配问题的自适应的多种群蚁群算法

提出一种自适应的多种群蚁群算法用于求解频率分配问题．算法将蚂蚁群体划分为若干个子群体，每个子群体的蚂蚁并行地进行优化．在寻优过程中，算法为每个蚂蚁子群体定义一个收敛系数，根据收敛系数来决定子群体内部的路径的选择和信息量的更新．算法同时根据各个子群体的解的质量和分布情况来自适应地决定信息交流策略，包括选择信息交流的对象和调节信息交流的周期以及信息更新策略，以取得各蚂蚁子群体中解的多样性和收敛性之间的动态平衡．对固定频率分配和最小跨度频率分配问题在并行计算机上的实验结果表明，本文算法不仅具有较快的全局收敛速度，而且有高质量的解和高的效率．     

基于免疫算法的属性约简方法

为了求取决策表系统中属性的最小约简,本文提出了一种基于免疫算法的属性约简方法。该算法应用决策表的相对核来初始化种群,根据决策属性对条件属性的依赖度和抗体中条件属性的个数设计抗体的适应度函数,通过免疫记忆特性和抗体浓度的促进与抑制作用,保持了个体的多样性,提高了算法的全局搜索能力,避免陷入局部最优现象,从而求解出最小属性约简集合。实验结果表明,算法快速、有效,能得到较好的最小属性约简。     

一种从海量不完备决策表中抽取规则的方法

提出了一种处理海量的不完备决策表的方法。将基于互信息的属性重要度作为启发式信息,利用遗传算法对不完备的原始决策表中的条件属性进行约简,形成包含missing值的决策表,称为优化决策表。利用原始决策表自身的信息,通过属性扩展,从优化决策表中抽取一致性决策规则,而无须计算missing值。该方法在UCI的8个数据集上的实验结果优于EMAV方法,是一种有效的从海量不完备决策表中抽取规则的方法。