基于量子蚁群算法的粗糙集属性约简方法

针对蚁群算法求取属性约简中存在的迭代次数多、收敛较慢甚至得不到最小约简的问题,提出了基于量子蚁群算法的粗糙集属性约简的方法。每只蚂蚁携带一组表示蚂蚁当前位置信息的量子比特;采用量子旋转门完成蚂蚁的移动;采用量子非门实现蚂蚁所在位置的变异。实验证明,该算法能快速有效地求解属性约简,同时又能找到许多次最小约简。可以很好地解决这一难题,它不仅能得到最小约简属性集,而且可以得到很多的约简属性集。     

利用蚁群优化算法的粗糙集属性约简方法

随着高维数据的扩散,特征选择成为学习过程中不可或缺的一项任务。属性约简是特征选择的重要方法,为了寻找有效的属性约简方法,将粗糙集与蚁群算法相结合,提出了利用蚁群优化算法的粗糙集属性约简方法。首先从信息素的更新开始,限制其信息素值的上、下限范围,然后根据寻址方式改进候选解的构造方案。实验表明,该方法具有一定的优越性。     

基于可拓蚁群算法的粗糙集属性约简方法

蚁群算法是一种模拟进化算法,它有很多优点,且成功地解决了许多复杂的组合优化问题,然而它并不完美。受可拓学中关联函数的启发,提出基于关联函数的状态转换规则和局部信息素更新规则,并将其用于粗糙集的属性约简。实验结果证明该算法是有效的。     

基于可拓蚁群算法的粗糙集属性约简方法

蚁群算法是一种模拟进化算法,它有很多优点,且成功地解决了许多复杂的组合优化问题,然而它并不完美。受可拓学中关联函数的启发,提出基于关联函数的状态转换规则和局部信息素更新规则,并将其用于粗糙集的属性约简。实验结果证明该算法是有效的。     

基于蚁群遗传算法的属性约简

针对普通蚁群算法在属性约简中求解最小约简存在局部最优、迭代次数多、收敛慢的问题,将复制、交叉、变异这些遗传算子引入蚁群算法中,改进蚂蚁的产生方式和蚂蚁构造可行解的过程,提高算法的收敛速度和全局搜索能力。算法在加州大学机器学习数据库中的数据集的测试结果表明,该算法能快速有效地求解属性约简,能够找到最小约简集。     

蚁群算法在面向属性的数据约简中的应用

粗糙集作为一种新的数学工具可用于数据挖掘中的面向属性的数据约简,但随着信息系统中信息量的不断膨胀,属性组合的不断增长,单独使用粗糙集寻找最小属性集已证明是个NP难的问题.蚁群算法是一种新型的模拟进化算法,在求解复杂的组合优化问题中获得成功并表现出良好的性能.文中将属性约简的过程视为一个特殊的"寻优"过程:把属性视为节点,而要寻找的是这些节点的"最少"组合,使得其能代替原来的属性节点而不改变原有属性的分类粗糙度.在此基础上,提出一种新的组合算法,利用蚁群算法在寻优方面的优势,结合粗糙集算法,用于最小属性集的寻找.最后通过一个具体的例子,证明了此算法的有效性和可行性.     

基于粗糙集的属性约简算法改进

针对目前道路交通肇事逃逸案件逐年增多情况，利用改进后的粗糙集属性约简算法对案件记录卷宗中的大量数据进行约简处理，得到和原始数据等效的属性约简集，将此约简集作为挖掘的数据基础，大大缩小了数据量，使得侦破人员可以将注意力集中于重要的物证采集上，减少了案件侦破中不必要的人、财、物消耗，同时数据量的减小也相应的加快了挖掘的速度。将在此约简集基础上挖掘得到的规则和关联规则算法得出的规则进行比较，证明改进后的约简算法是有效的。     

基于粗糙集的属性约简算法

本文主要研究基于粗糙集理论的属性约简算法.提出了一种同时适合于相容信息表和不相容信息表的启发式约简算法,并通过算例验证了该算法的可行性和有效性.     

基于子集类蚁群模型的属性相对约简算法

粗糙集属性约简是一个典型的NP-hard问题。提出了一种基于子集类蚁群模型的属性相对约简算法,该算法采用转移概率对每个属性随机搜索,直到获得一个分类能力与决策属性分类能力一致的属性子集。提出的基于信息素变异的蚁群算法,不仅提高了解的质量,而且有效避免了早熟收敛。106组病例数据的实验结果表明,该算法能够发现较好的决策表相对约简与决策规则。     

基于信息熵与蚁群优化的属性约简算法

信息熵是粗糙集理论中度量不确定信息的重要工具之一。蚁群优化算法是一种新型的智能计算的方法,具有分布式、正反馈及启发性搜索等优良的性质,并且在优化计算中已得到了很多应用.最小属性约简问题也是一类优化问题,已有的属性约简算法主要采用Pawlak正域度量属性的重要度,而且求最小约简是NP-hard问题.为此,在分析信息熵度量不确定性数据的基础上,定义信息熵属性重要度概念,引入蚁群优化算法,提出基于信息熵与蚁群优化的最小属性约简算法.该算法发挥蚁群优化算法良好的寻优能力,大多数情况下能够找到最小约简.理论分析与实验结果表明该算法是有效可行的.     

基于差分演化的自适应参数控制蚁群算法

蚁群算法存在对参数的依赖、早熟和停滞等缺点但具有与其他算法容易结合的特点,据此,将差分演化算法应用到蚁群算法的参数选取中,提出一种改进的蚁群算法。将蚁群算法的参数作为差分演化算法解空间的向量元素,在自适应地寻找蚁群算法最优参数组合的同时求解问题的最优解。改进算法对蚁群算法中的参数进行自适应调整,可避免大量盲目的测试,扩大蚁群算法的搜索空间,提高全局搜索能力。在典型的旅行商问题上进行对比实验,结果验证了改进算法的优化性能高于传统的蚁群算法。     

基于小生境遗传算法的粗糙集属性约简方法

针对遗传算法在全局优化问题中出现的早熟和收敛速度慢的问题,提出一种基于小生境遗传算法的粗糙集属性约简算法,采用基于淘汰相似结构机制的小生境技术,通过引入罚函数的方法调整个体的适应度,提高全局搜索能力。实验证明该算法是有效的,并能求解出信息系统中多组不同的最小约简,为决策支持和数据挖掘等提供更多信息。     

基于粗糙集理论的属性值约简算法研究

对基于粗糙集的属性值约简算法及相关理论进行研究,并针对启发式值约简算法进行了性能测试和分析。在数据规模不是很大的情况下,启发式值约简算法与一般值约简算法相比,具有较好的执行效率。     

基于遗传算法的粗糙集属性约简算法

属性约简是粗糙集理论中的一个核心问题，为了有效获取属性最小相对约简，本文提出了一种基于遗传算法的粗糙集属性约简算法．该算法将核引入遗传算法的初始群体来提高算法的性能，依照决策属性对条件属性的依赖度，在加强局部搜索能力的同时保持了该算法全局寻优的特性，能够获得最佳的搜索效果．实验结果证明了该算法能够快速有效的进行属性约简。     

一种基于改进遗传算法的粗糙集属性约简算法磁

为解决传统遗传算法在属性约简时会出现迭代次数多,收敛较慢的问题,论文提出了一种改进的遗传算法。该方法在适应函数上加入属性重要度因子,同时在交叉操作中有选择地保留子代个体,确保算法能够快速收敛。实验结果证明,改进之后的算法在保证属性约简的基础上,能够实现比传统遗传算法更快的迭代和收敛。     

决策粗糙集属性约简算法与属性核研究

属性约简是粗糙集理论的重要研究内容之一。在Pawlak粗糙集模型中,正区域大小随着属性增多而变大,呈现单调性。然而,在决策粗糙集模型中,概率正区域与属性集之间不具有单调性,从而产生各种属性约简定义。为此,深入研究了决策粗糙集属性约简问题,阐述了几种约简定义之间的关系,证明了保持局部最大概率正区域的约简具有较大的代价,指出了保持所有对象的正决策不变的约简呈现稳定性和存在属性核。     

基于粗糙集理论的一种属性约简算法

MIBARK算法在度量属性的重要性时计算量很大,它需要多次计算不同条件属性组合与决策属性之间的互信息。论文的改进算法以属性的频率作为选择属性的启发信息,由过滤差别矩阵得到属性的频率。实验表明,在获得相同属性约简的前提下,该算法与MIBARK算法相比,属性约简的计算量较少,提高了计算速度。