基于属性重要性的决策表属性约简算法

提出一种基于粗糙集属性重要性的属性约简算法。该算法以所有条件属性为初始约简集合，以属性重要性为迭代准则，通过逐步缩减来求取约简。同时给出了该算法的时间复杂度分析，并举例验证了所提出算法的有效性和实用性。     

基于属性重要性的决策表属性约简算法

提出一种基于粗糙集属性重要性的属性约简算法。该算法以所有条件属性为初始约简集合,以属性重要性为迭代准则,通过逐步缩减来求取约简。同时给出了该算法的时间复杂度分析,并举例验证了所提出算法的有效性和实用性。     

决策表分解及其最小属性约简研究

现有的很多属性约简算法都是由构造决策表的差别矩阵出发,将矩阵中非空元素的合取范式转化为极小析取范式。为提高对大规模数据的决策表进行约简的效率,文中指出基于U/{a}划分的最小约简算法存在的缺陷,给出以划分粒度为启发式信息,利用单个条件属性把论域划分成多个等价类,将计算整个全域上的属性约简问题转化为计算在相应划分的子区域上属性约简问题,提出了一种基于决策表分解的最小属性约简算法。理论分析和实例表明该约简算法是有效的。     

基于元素约简的决策表属性约简算法

Skowron差别矩阵广泛应用于属性约简及求核运算,但它只适用于相容决策表,对于不相容决策表有时会得到错误的结果。虽然国内多位学者对它进行了改进,但一方面它们仍只适用于相容或部分相容决策表的属性约简,对完全不相容决策表仍得不到正确的结果。另一方面须通过额外的函数来约束差别矩阵的构造过程,增加计算负担。利用等价差别矩阵具有相同属性约简的思想,将元素对象分割成相容对象与矛盾对象,通过对参与构造差别矩阵的行与列元素进行约简,减少了某些重复计算过程,提高了计算效率。以此为基础,给出了一种改进的属性约简算法。数值算例验证了该算法是有效可行的。     

带权决策表的属性约简

属性约简是粗糙集理论的重要应用。考虑将决策表中的每行都作为一条决策规则时，若把表中出现相同决策规则的次数作为权，可得到带权决策表。提出了关于带权决策表的正域约简相应的辨识矩阵并给出了证明，从而得到了约简算法。相比于决策表中的正域约简时发现，通过将决策表转化为带权决策表后，再利用算法1进行约简时，其在一定程度上优于前者。提出了近似分类精度约简相应的辨识矩阵并给出了证明。对于2个算法，在选取的UCI数据集上进行了实验验证。通过实验进一步说明了所提出算法的可行性和有效性。     

基于粗糙集的决策表属性约简方法的研究

求核和属性约简是粗糙集理论研究的一个核心问题。文中主要针对现有的一些决策表属性约简算法存在的不足,尤其是基于信息熵的属性约简算法在较大数据集上效率不高的问题提出改进。主要通过结合粗糙集的相关理论来改进原有的属性约简算法在求核中的约束条件,进而在原有算法的基础上提出了一种改进算法。在求约简属性集时,利用新提出的约简算法,使计算复杂度降低,同时保持了高效的决策准确率。实验结果表明改进后的决策表属性约简方法能够更加快速有效地找到约简集。     

决策表的高效属性约简算法

粗糙集理论是一种新型的处理模糊和不确定知识的数学工具。对现有决策表的属性约简算法进行了比较研究,在此基础上设计了两个合理度量属性重要性的公式,并给出了该公式的递归计算方法,利用新公式作为启发式信息设计了一种新的基于决策表的高效属性约简算法。实例与实验表明,该约简算法在效率上较现有算法有显著的提高。     

不相容决策表的属性约简算法

对Skowron可辨识矩阵方法进行分析,并应用反例说明基于Skowron可辨识矩阵的属性约简算法对不相容决策表的属性约简,可能会导致错误的结果。针对这一问题,提出了一种基于改进可辨识矩阵的属性频率约简算法。该算法以改进的可辨识矩阵为基础,以属性频率作为启发信息,同时在算法中加入消除冗余属性二次约简过程。提供了实例分析,验证了该算法能够有效地对相容与不相容的决策表进行属性约简。     

灰决策表的属性约简算法

本文提出了一个灰决策表的概念,即属性值含灰数的不完全决策表称为灰决策表,并利用灰色系统理论和粗糙集理论的有关知识对灰决策表的属性约简算法进行了研究。     

基于数据库系统的决策表核与属性约简算法

给出一种简单的代数核判断方法,它将比较两个正区域是否相等简化为比较它们的基数是否相等,从而简化了计算过程,得到一种基于数据库系统求决策表核属性的新算法。由于所有条件属性集已是一个代数协调集,采用自顶而下逐步删除可约属性的策略,提出一种基于数据库系统求代数约简的算法。理论分析和实验结果表明,该方法面对大数据集具有更高的效率。     

基于遗传模拟退火算法的不规则多边形排样

将遗传授拟退火算法应用于计算机辅助排样领域，设计了一种基于遗传模拟退火技术的启发式排样算法．该算法能够处理不规则多边形的排样问题；同时，给出一种对象的几何表达方式，可以忽略高度不规则形状带来的复杂性影响．该算法通过基于遗传模拟退火算法的全局优化概率搜索，寻找排样件在排样时的最优次序及各自的旋转角度，然后采用基于左下角(BL)策略的启发式排样算法实现自动排样．     

基于模拟退火遗传混合算法的物流中心选址问题研究

为了增快货物流动速度、方便客户并减少不必要的配送成本,结合模拟退火算法和遣传算法,研究了物流配送中心选址问题,模拟退火遗传算法在收敛速度及跳出局部极值的能力诸方面明显优于标准的遗传算法和模拟退火算法。     

基于小生境的混和遗传退火算法的并行化

提出一种并行小生境混合遗传退火算法,并对该算法的特点和优化性能作了定性分析,该并行算法调用了MPI并行库,采用Master-Slaver结构,融入小生境淘汰技术.并应用该算法优化典型的多峰值测试函数-Shubert函数,结果表明这种并行后的算法提高原小生境混合遗传退火算法进化速度,增强全局寻优能力.     

退火遗传算法的多连接查询应用

多连接查询的优化是数据库查询的关键问题之一,遗传算法与模拟退火算法的结合有利于全局最优解的搜索。提出了一种混合算法,并将其应用到多连接优化问题中,改进了获得最优查询计划的性能。     

求解SAT问题的退火遗传算法

提出一种将遗传算法与模拟退火算法相结合的SAT问题求解算法SAT-SAGA.该算法以遗传算法流程为主体,并把模拟退火机制融入其中,用以调整优化群体,防止陷入局部最优和出现早熟;在进化过程中算法采用了最优染色体保存策略,防止进化过程的发散.实验表明:该算法在求解速度、成功率和求解问题的规模等方面都有明显的改善.     

一种求解极小诊断的遗传模拟退火算法

基于模型的诊断方法是人工智能领域发展起来的一个十分活跃的分支.在该方法中,由极小冲突集求解极小击中集的过程是一个NP-Hard问题.尽管人们提出了不少算法,但是各种算法的效率仍然不是十分理想.通过将该问题映射到0/1整数规划问题,提出了将遗传算法与模拟退火算法相结合的问题求解思想.在给出遗传模拟退火(genetic simulated anncaling,简称GSA)算法和算法各个参数的同时,对算法的性能和求解精度进行了测试.GSA算法不仅比传统的算法效率有很大的提高,而且在冲突集基数大于35的情况下,较单独使用GA的算法在效率上提高约1/3～1/2.在求解精度上,GSA算法在大多数情况下能够求出98%～100%的极小诊断.     

基于遗传模拟退火算法的网络负载平衡研究

介绍了网络负载平衡的基本算法,建立了负载平衡的数学模型,重点阐述了遗传算法和模拟退火算法相结合的重要意义。并提出将遗传模拟退火算法应用于解决网络负载平衡问题的算法,通过实例证明了其有效性。     

改进的模拟退火遗传算法在函数优化中的应用

针对模拟退火遗传算法中可能出现的早熟收敛和后期进化较慢问题,提出了多规则选择算子,同时对交叉和变异算子进行了改进,引入了小生境技术解决早熟收敛问题。在此基础上针对函数优化问题设计了改进的模拟退火遗传算法。仿真实验表明,改进的算法在函数优化中,特别是在对多变量函数寻优中,收敛速度和收敛精度都有一定提高。     

求解矩形件优化排样的自适应模拟退火遗传算法

矩形件优化排样是一个NPC问题,在工业界有着广泛的应用.针对该问题,提出一种自适应模拟退火遗传算法.采用一种基于环形交叉算子和环形变异算子的自适应遗传算法来自动调整交叉和变异概率;同时引入模拟退火算法对个体适应度大于平均适应度的个体进行退火处理.自适应模拟退火遗传算法充分发挥了自适应遗传算法与模拟退火算法各自的全局搜索能力与局部搜索能力.对比实验表明,该算法结合改进的最左最下布局算法解决矩形件优化排样问题更加有效.     

基于模拟退火算法和最近邻分类器识别率的特征选择方法

为了提高分类器的识别率,提出一种基于模拟退火算法和最近邻类器识别率的特征选择方法。该方法采用特征度量中的准确性度量(分类器识别率),能直接评价特征组合的优劣,并结合改进的模拟退火算法使用,能确保收敛到近似全局最优解。仿真试验表明,该方法所求解的质量优于传统特征选择方法,并且有很强的噪声容忍性,有一定的工程实用价值。