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。     

基于遗传算法的粗糙集属性约简

粗糙集理论是解决不精确、不确定问题的常用数学工具.本文尝试用遗传算法解决粗糙集属性约简问题,并且给出了算法的实现流程.     

基于遗传算法的粗糙集属性约简算法

针对粗糙集理论核心内容之一的知识约简问题,提出了一种基于遗传算法的粗糙集属性约简算法。利用条件熵计算属性间的相关性,并将其引入到适值函数中,可以保证所求约简含有较少的属性而且属性间的相关性较小。实验证明,它可以得到比较理想的结果,对UCI机器学习数据集的测试结果也验证了算法的有效性。     

基于遗传算法的粗糙集属性约简算法

为了研究粗糙集理论中属性约简问题,给出了一种属性相对重要度定义,证明了其合理性,并将它应用到基于遗传算法的约简算法中,提出一种启发式遗传算法.算法采用修正策略保证群体进化收敛于最小约简,同时引入属性相对重要度作为启发信息,加快算法的收敛速度.对算法进行的时间复杂度和完备性分析以及数值实验表明,基于遗传算法的粗糙集属性约简算法具有完备、快速收敛等特点.     

基于粗糙集和遗传算法的数据挖掘方法

运用粗糙集和遗传算法的理论,为大型的数据挖掘提供了一种新的方法。首先通过粗糙集理论对数据进行预处理,然后对属性简约,最后通过遗传算法进行规则提取,寻找最优解。     

基于量子遗传算法的粗糙集属性约简新方法

分析了粗糙集属性约简的研究现状,针对遗传算法求取属性约简中存在的迭代次数多、收敛较慢的问题,提出了基于量子遗传算法的粗糙集属性约简的新方法。该方法中利用一种新的区分矩阵与量子遗传算法结合,能够实现相容/不相容决策表的属性约简;同时,文中提出了一种适应度函数的参数设定的新方法,使之能够直接对约简进行有效判定。实验数据表明：该算法在收敛性和速度等方面优于基于遗传算法的属性约简算法。     

粗糙集结合遗传算法在数据挖掘中的应用

运用粗糙集,结合遗传算法理论,提出一种提取大型数据表决策规则的方法.首先依据条件属性的重要度,把条件属性加入到核属性集中,生成约简.然后选取一组规则编码作为原始种群,应用遗传算法寻求最优解.经过解码和分析做出推理和决策.     

一种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研究的重要内容之一,而求解最小约简是NP难问题。为了有效获取最优或次优约简,该文提出了一种基于遗传算法的粗糙集属性约简算法。该算法将属性核加入遗传算法的初始种群来增加收敛速度,而且在适应度函数中,通过计算决策属性对条件属性的依赖度,使该文算法既保证了全局寻优的特性又具有加强局部搜索的能力,能够获得最佳的搜索效果。该算法通过实例分析,证明是求解属性约简问题的快速有效方法。     

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。     

基于免疫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一个重要的研究课题,为了有效获取属性最小相对约简,提出了一种基于免疫遗传算法的粗糙集属性约简算法。该算法将免疫算法和遗传算法结合,并将核引入免疫遗传算法的初始抗体群来提高算法的性能,依照决策属性对条件属性的依赖度,并结合抗体浓度,能维持进化过程中个体的多样性,从而提高了算法的全局搜索能力,避免陷入局部最优。实验证明该算法能够快速得到相对最小约简。     

一种基于粗集理论的遗传分类算法

本文提出了一种基于粗集理论的遗传分类算法,该算法可以无需任何辅助信息,只根据数据自身提供的信息对数据进行简化,提取有用的特征,并求得相应的规则.同时,还提出了一种基于属性重要度的分辨矩阵简化方法,该方法可提高对条件属性的约简效率.     

变焦佳点集遗传算法

通过使用数论佳点集理论与方法构造出佳点交又算子,佳点集遗传算法(GGA)具有更快的收敛速度和精度,且避免了常见的早期收敛现象,但是二进制编码的佳点集遗传算法在位串长度确定的情况下无法克服二进制与实数之间的映射误差。针对二进制编码遗传算法存在从最高位到最低位依次收敛的多米诺现象,提出含有变焦因子的佳点集遗传算法来变相增加位串编码长度以期缩小该映射误差,提高搜索效率和求解精度。通过不同维数下的Benchmark测试函数的仿真结果表明,改进的算法具有全局收敛、求解精度和搜索效率高的优点。     

基于Rough Set的任务分配模型与算法

该文运用RoughSets理论,在由任务确定协同集的基础上,基于Agent完成任务的开销、质量、当前负荷、时间等属性,构造决策表,生成确定的决策规则与可能的决策规则。为便于仿真实现,给出基于Roughset的任务分配模型与算法。     

基于R0ugh Set的任务分配模型与算法

该文运用RoughSets理论,在由任务确定协同集的基础上,基于Agent完成任务的开销、质量、当前负荷、时间等属性,构造决策表,生成确定的决策规则与可能的决策规则。为便于仿真实现,给出基于Roughset的任务分配模型与算法。     

一种基于粗糙集带支持信息的挖掘算法

本文根据直接利用粗糙集挖掘规则难以避免偶然性、以及求出所有约简与求最小约简的问题都是NP-难的问题，提出一种求精简规则的启发式算法DR。该算法根据实际数据挖掘的特点、充分利用属性支持信息直接从数据表中挖掘高支持度和描述长度小的规则集。算法DR计算简单，其效率主要与属性的个数相关，当属性取不同值的数目不大时是一个高效算法。     

一种基于遗传算法的Rough集多知识抽取方法

Rough集理论为知识约简提供了一种有效的方法．提出了一种基于遗传算法的Rough集多知识抽取方法，针对决策系统中知识约简的不唯一性，构造了一种多约简算法，创建了多知识．在此基础上，利用遗传算法从一个更高的层次对多知识进行优化，并从中抽取最优知识集，试验结果分析表明，通过遗传算法优化后抽取的多知识较单体知识具有更高的精度，使知识的表示更具广义性。     

一种快速的Rough集属性约简遗传算法

遗传算法适合复杂问题的处理因此可用于属性约简的求解.目前利用遗传算法进行属性约简的主要不足是:适应度函数计算复杂,效率不高.尤其在处理大型决策表时,计算时间将大量聚集在适应度函数的计算上,从而导致算法性能下降.为了更快的计算适应度函数,在研究基于正区域的区分对象对集的基础上,设计了一种计算适应度函数的快速方法.利用启发信息设计了一种快速的属性约简遗传算法.通过实例分析和算法实验表明该算法能够高效求出决策表的属性约简并且适合处理大型决策表.     

一种新的基于粗糙集模型的决策树算法

在基于粗糙集模型的决策树生成算法中,由于分类的精确性,导致生成算法在对实例进行划分时往往过于细化,无法避免少数特殊实例对决策树造成的不良影响,使得生成的决策树过于庞大,不便于理解,同时也降低了其对未来数据的分类和预测能力。针对上述问题,该文给出一个新的基于粗糙集模型的决策树生成算法,引入了抑制因子。对即将扩张的结点,除了常用的终止条件外,再加入一个终止条件：若样本的抑制因子大于给定的阈值,便不再扩展该结点。有效地避免了划分过细的问题,也不会生成过于庞大的决策树,便于用户理解。