基于遗传算法的属性约简算法研究与实现

本文深入分析了属性约简的方法与算法、遗传算法的基本理论;给出了遗传算法中各类算子的设计和实现方法;提出对编码的改进,即在编码时选择可变长编码;然后用赌轮选择算法对种群中的个体进行选择,很大程度上改进了算法的收敛性能;而且能求得尽可能多的约简,实验证明该算法能对大多数测试数据集求得全部约简.     

遗传算法信息熵结合属性约简算法研究

为了获得决策系统中属性最小相对约简,将信息论角度定义的属性重要性度量作为启发式信息引入遗传算法,提出了一种启发式遗传算法,通过构造一个新的算子来引入启发式信息,使得选择的属性子集的分类能力不变.该算子体现了一种利用启发式信息的局部搜索技术,使得算法既保持整体优化特性,又具有较快的收敛速度,从理论上对算法作了分析,对新算子所能选择属性子集的分类能力不变作了证明,最后的实例表明,该算法能有效地对决策系统进行最大程度的约简.     

基于自适应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收敛和后期收敛速度较慢的现象,提出了一种基于自适应遗传算法的粗糙集属性约简方法。该算法基于自适应交叉概率算子和变异算子,根据进化代数和群体的适应值,动态调整各个个体的交叉概率和变异概率,优化了各个个体被选择的概率。实验表明,该方法能够明显地改善全局寻优能力,并大大加快了收敛速度。     

基于粗糙集的改进遗传算法在RTM注射压力预测中的应用

针对目前RTM注射压力选取多凭经验,主观依赖性太强,数值计算又局限于简单模型,不适于形状复杂或已知参数不足的模型求解,以及遗传算法初始种群多为随机产生,容易导致算法早熟或不收敛等问题,提出基于粗糙集的改进遗传算法。用区分矩阵法对RTM注射压力决策表进行属性约简,并设定相似度阀值以提取知识库中符合相似度要求的样本来产生初始种群。实例表明,属性约简前后注射时间几乎相等,但约简后知识检索和提取速度比约简前提高了41%,说明对RTM注射压力决策表进行属性约简,不会改变知识分类,但可以明显提高计算速度。此外,改进遗传算法在17代时已经收敛,而标准遗传算法直到26代才收敛,表明改进遗传算法比标准遗传算法收敛更快更稳定,证明用改进方法优化RTM注射压力是可行和有效的。     

变精度Rough Sets模型在数据挖掘中的应用

经典的粗糙集理论在进行分类时其类之间的分界线很严格,这样提高了知识属性对被研究对象识别分类的精度,但这种方式的容错能力很差,使得模型的实际适用性很弱.变精度粗糙集是对经典粗糙集理论的一种扩展,通过研究得出了知识的依赖程度饱和值不变约简法及信息熵不减约简法.     

基于量子遗传算法的粗糙集属性约简的研究

将粗糙集理论应用于股市的分析与研究,除了采用已有的约简方法进行试验之外,还引入了量子计算与遗传算法相结合的方法来进行粗糙集的属性约简.与其他约简算法不同的是,该算法采用量子旋转门策略来达到全局最优搜索和较高的收敛速度.最后,通过具有代表性的股票数据证明了该方法的有效性和高效性.     

基于遗传算法的粗糙集混合数据属性约简

为了对现实中既含有离散数据又有连续数据,甚至还有模糊数据的决策系统进行属性约简,基于模糊等价关系建立粗糙集模型,用熵来度量粗糙集中的不可分辨能量并定义约简.提出用遗传算法来求解含混合数据的决策系统的约简,论述了适应度函数的选择,给出了算法的具体实现.对经典数据集和UC I机器学习数据库中5个数据库约简的结果证明了算法的有效性和可行性.     

一种改进的朴素贝叶斯分类器在文本分类中的应用研究

文本分类是数据挖掘领域中重要的研究分支.通过对自适应遗传算法和朴素贝叶斯分类器的研究,提出一种基于自适应遗传算法的朴素贝叶斯分类算法.将该算法应用于中文文本分类中,可以生成最优贝叶斯分类器及最优属性集合,提高分类精度.     

广义不完备混合决策系统的知识约简

针对现实中同时具有丢失型和遗漏型未知属性的混合决策系统的约简问题,建立了广义不完备邻域粗糙集模型,提出了未知属性的辨别方法,给出了一种混合约简算法.模型采用广义邻域关系度量不可分辨关系,通过邻域信息粒子逼近论域空间,是非对称相似关系和容差关系的广义化.依据分类一致性假设及广义邻域关系进行未知属性的辨别,讨论了噪声样本和邻域大小对分类精度的影响.采用UCI数据库中5组数据进行了仿真试验,预测精度证明了约简算法的有效性和可行性.     

基于K-近邻域搜索的遗传算法求解旅行商问题

针对传统遗传算法在求解旅行商问题时存在容易陷入局部最优和运算时间较长的问题,着重考虑影响算法局部搜索能力和种群多样性保持两个方面的因素,提出改进策略.将交叉变异产生的新个体与父代种群合并后剔除重复个体,再选择优势个体作为新种群,防止种群中适应度值较低但具有优质基因的个体被剔除,促进种群多样性的发展;通过分析旅行商问题的内在特性,采用K-近邻域搜索的方式减少变异算子的无效操作,提高算法局部搜索能力及算法寻优效率.实验结果表明：与BLS算法相比,改进遗传算法的平均解误差降低了15.36%;相较于传统遗传算法,应用新型变异算子的改进遗传算法收敛速度明显提高.全精英选择法能较好地保持种群多样性,新型启发式变异算子在全局搜索的同时加强了局部搜索能力,对提高算法求解精度和寻优效率都有较好的效果.     

基于小生境粒子群的属性约简算法

遗传算法（GA）及蚂蚁算法（ACO）等进化属性约简算法,具有全局寻优的优点,但存在算法时间复杂度高,搜索空间大等不足;粒子群（PSO）属性约简算法,虽然可提高求解效率,但易陷入局部最优.本文引入小生境技术,提出基于小生境粒子群的属性约简算法,利用小生境技术造就种群的多样性,使解保持多样化,以此避免粒子群属性约简算法易早熟收敛的缺点.理论分析及实验结果表明,该算法是有效可行的.     

蚁群算法融合粗糙集理论的属性约简算法

为了克服属性约简过程中寻找最小属性集算法存在时间复杂度高搜索空间大等不足,把属性抽象为节点,通过蚁群算法搜索得到节点的最少组合,使得其能代替原有的属性节点并保持决策系统的粗糙分类能力.针对蚁群算法初期信息素匮乏,收敛速度慢的问题,将蚁群算法和粗糙集理论融合,采用粗糙集理论的相关算法确定属性核,并将其作为蚁群算法的初始节点.利用蚁群算法的搜索能力,用于最小属性集的搜索.理论分析和实验结果表明,该算法可行有效.     

基于RS-GA-BP神经网络的住宅房地产估价模型与应用

针对一般住宅房地产估价问题的非线性特征,融合粗糙集方法、遗传算法和神经网络算法的优势,提出了一种新的住宅房地产估价模型一基于粗糙集、遗传算法和BP算法集成的住宅房地产估价模型．首先对影响房地产估价因素进行离散化处理,其次利用粗糙集方法对估价因素进行约简,即精减BP神经网络的输入变量,最后利用遗传算法来优化BP神经网络初始权重和阈值．优化后的BP神经网络具有较好的处理非线性问题的能力,收敛速度和仿真精度较传统BP算法都有了明显的提高．选取某市工程案例进行实证分析,研究结果表明,新的估价方法能较客观准确地估测住宅房地产的价格,在住宅房地产估价中具备较高的实用性．     

基于信息熵的属性约简算法的研究与实现

属性约简是粗糙集理论研究的重要内容之一,是在保持信息系统分类能力不变的基础上,删除冗余属性.为了获得决策系统中属性最小相对约简,本文将信息论应用于决策信息系统属性约简中,与遗传算法相结合,并采用加权平均的属性重要度和知识量作为启发式信息指导约简,提出了一种改进的基于核子集的属性约简算法.     

基于幂集演化的属性约简方法

提出了一种基于幂集演化的属性约简方法,该方法作为一种基于遗传算法的属性约简的改进方法,编码方式采用在属性集的幂集空间上进行直接编码,由于其编码具有不定长的特性,因此在遗传操作策略上采取了一种与二进制编码完全不同的交叉和变异策略,使得该方法在选取合适评价函数的权重参数时,能明显加快算法的收敛速度。     

基于粗集理论的数据约减算法及其改进

在分析基于信息系统的粗糙集理论的基础上，详细地描述了一种基于核的约减算法，接着从降低约减算法计算复杂度角度出发，提出度量单个条件属性对系统概念贡献程度的关联度的概念，修改了属性约减算法，并简要计算算法修改前后计算复杂度，实验结果表明，修改后的算法在降低时间复杂度的同时能求出次优属性集约简．     

基于矩阵的决策表属性值分类方法

在粗糙集值约简算法中,需要对决策表的属性值进行分类.文中基于二进制可辨矩阵和为同一决策类的不同对象建立的二进制矩阵,提出一种简化的属性值分类方法,该方法能实现决策表属性值快速分类.最后通过实例分析验证了该方法的可行性和有效性.     

决策系统的快速属性约简算法

针对决策系统提出了一种高效的属性约简算法;讨论了合理刻画属性重要性的新指标,并设计了一种快速计算划分的方法;在此基础上,得到了一种快速计算属性约简的算法。与现有算法相比,该算法具有较大的灵活性,能从搜索空间中逐次删除不重要属性,避免了对其重要性的重复计算;并且时间复杂度低。通过实例和实验表明了该算法的可行性与有效性。     

基于改进辨识矩阵的变精度邻域粗糙集属性约简

提出一种用于变精度邻域粗糙集,可以大幅减少时间复杂度的属性约简算法.该算法基于一种改进的辨识矩阵.首先用辨识矩阵同时记录决策一致和不一致的数据,然后用二进制位运算计算样本的邻域,最后获得可以保持下近似分布不变的属性约简.实验结果证明,本文算法不仅能够大幅减少属性约简时间,而且精度上总体优于NBRS算法和LDNRS算法.