基于量子混合协同进化的自适应多级联属性约简(英文)

针对传统生物启发式方法在决策表中属性约简求解效率不高和难以协同约简等问题,提出一种基于量子混合协同进化的自适应多级联属性约简算法. 首先设计了一种新型高效的自适应量子角旋转策略,指导参与属性约简的进化种群自适应相互演进,加速算法收敛. 然后构建了合作和竞争混合的协同进化级联模型,根据执行经验记录分割属性种群集,提高约简子种群的多样性,并产生种群精英以增强其寻优经验共享,快速找到全局最小属性约简集. 实验结果表明,与同类典型算法相比,该算法在最小属性约简效率和精度方面具有明显优势.     

基于改进PSO的多传感器数据自适应加权融合算法

加权融合算法是多传感器数据融合中的常用方法,但加权因子的确定非常困难并直接影响算法的性能.文章提出利用改进的粒子群优化算法对各个传感器的加权因子进行自适应优化,引入种群进化度、聚合度来反映种群的多样性,当种群多样性低于阈值时执行变异操作,并交替使用基于聚合度、进化度的自适应惯性权重函数,从而避免算法陷入局部最优解.通过UCI数据集测例表明本文算法是一种较有效的多传感器数据融合方法,相对其它算法具有较高的融合精度.     

基于搜索空间分割的协同进化遗传算法

针对经典协同进化遗传算法在优化大决策空间问题时计算复杂度较高的问题,提出了一种基于搜索空间分割的协同进化遗传算法,其基本思想是：将种群分割为不同规模的子种群,在进化过程中应用ε自适应方法调整子种群规模。复杂度分析和数值实验表明,改进后的算法可降低算法计算量,提高算法的优化效率。     

协同进化多生境遗传算法

为了提高多生境遗传算法的优化效率,提出了一种基于协同进化的多生境遗传算法,其基本思想是：将种群分割为若干子种群,每个子种群采用合作型协同进化方法独立进化;个体评价采用多生境方法,具体作法为：在对个体的适应值进行共享调整的同时,在选择中采用确定性排挤方法,在替换中采用最相似个体适应度最差个体被替换策略,以维持种群的多样性。数值实验表明,上述算法在维持多生境遗传算法较强全局搜索能力的同时,可适当提高算法运行效率。     

基于云计算的属性重要度约简算法研究

面对海量数据的信息系统,通过引入MapReduce模型,重构Map和Reduce函数,本文提出了基于云计算的属性重要度约简算法,较好地实现了海量数据集中的属性约简,为属性约简研究提供了新思路.最后,实例分析表明,该约简算法是有效可行的.     

一种基于粗糙集和粒子群优化算法的权重确定方法

为了克服基本粗糙集理论确定权重的不足,提出一种新的基于粗糙集和粒子群优化算法的权重确定方法.该方法先利用粗糙集和粒子群优化算法对决策表进行属性约简,对约简后的决策表再用粗糙集方法计算属性权重.运用该算法对教师职业倦怠与压力数据进行分析,得到影响教师职业倦怠的各种压力因子的权重.研究结果表明,基于粗糙集和粒子群优化算法可以对决策表的权重进行有效的分析.     

粗糙集正域在心理健康测量中的应用

分析粗糙集正域的相关理论,提出一种基于粗糙集正域的决策表约简算法,用属性重要度的大小来判断属性是否被约简.通过对心理健康量表数据实例验证,该算法在约简后得到影响测量结果的重要属性,为构建更为科学、合理的测评量表提供理论依据,具有一定的实用价值.     

变精度粗糙集在手术诊断中的应用

粗糙集理论是一种处理模糊和不确定知识的一种新型数学工具,在很多领域取得了成功的应用.但是经典粗糙集理论处理的分类必须是完全正确的,在实际应用中,缺乏对噪声数据的适应能力,为了克服这个缺点,提出一种变精度的粗糙集模型,以适应实际应用的需要.对变精度粗糙集理论的数据预处理、属性约简、值约简和规则提取等问题进行了分析和研究,提出属性约简算法和基于求核值属性的归纳值约简算法,并将其运用于医疗系统的手术诊断数据表的数据挖掘分析过程中,所得到的实验结果与专家诊断结果基本吻合,取得了较好的实际应用效果.     

序贯属性约简算法在发动机故障诊断中的应用

属性约简是粗糙集理论研究的关键问题之-.为了解决传统分明矩阵属性约简算法在处理高维数据时占用大量的存储空间、效率低的问题,根据决策表信息系统的分明矩阵及序贯思想,提出了序贯属性约简算法,并将其应用于发动机故障诊断系统中,对诊断特征参数表进行约简处理,以减少数据维数,提高诊断效率.该算法避免了大量的逻辑运算,实现了高维数据的高效属性约简.理论分析和实验结果表明该算法具有更高的运行效率.     

基于属性频度进化的粗糙集属性约简方法

提出了基于遗传算法的知识相对约简算法,它以条件属性在差别矩阵中出现的频率为启发信息,以决策表的属性核来初始化传统遗传算法的种群,加强了遗传算法的搜索、缩短了计算时间;提出了修正校验算法,提高决策表属性约简的正确性．通过实例分析,证明是求解知识约简的有效方法．     

基于Pareto的动态限制精英的多目标进化算法

在NSGA-Ⅱ算法的基础上,提出了一种基于Pareto动态限制精英的多目标进化算法(DLEMOEA).通过动态分布函数的引入,限制了精英选取的数量,增大了解的搜索区域,从而更好地维护了种群多样性.实验结果表明:DLEMOEA比NSGA-Ⅱ有更好的收敛效果和种群多样性.     

基于概念格的分布式约简理论框架

为了缩减知识推理空间,提高分布式环境下知识处理的效率,提出分布式概念格属性约简的理论框架.基于粗糙集理论的思想,从子形式背景和全局形式背景的角度,刻画了核心属性、相对必要属性和绝对不必要属性的属性特征,给出属性约简的判定定理.在此基础上,给出概念格的分布式属性约简方法:首先,使用现有的约简方法分别计算各子形式背景的约简,然后,逐一利用各子背景的约简,通过合并计算得到全局形式背景的约简.给出了算法的实现并用实例验证了它的有效性.分布式约简有效避免了使用现有方法而引起的数据安全和网络通信等问题,提高了约简的计算效率.     

约简算法在商业银行CRM中的应用研究

针对银行CRM中的数据冗余大、数据挖掘效率低的问题,将基于属性约简的数据预处理方法应用在银行CRM中.使用决策表属性重要度属性约简算法简化客户贡献度决策表,实现决策表条件属性的归约.通过该算法在某商业银行CRM数据预处理过程中的实际应用,证实约简算法应用在银行CRM系统是有效可行的.     

基于环境策略的免疫克隆约束多目标进化算法

在常规免疫克隆约束多目标进化算法中,优秀不可行解易被淘汰,且无法直接学习进化经验。针对该问题,提出了基于环境策略的免疫克隆约束多目标进化算法。其基本思想是,在约束处理前,通过环境策略用Pareto支配形成初始抗体群,利用一个精英种群对初始抗体群进行存储|约束处理后,用环境策略变异替换克隆变异。数值实验结果表明,新算法不仅可以有效地处理约束条件,而且解的多样性和均匀性均得到一定程度改进。     

一种改进的基于粗集和Tabu搜索的属性约简算法

提出了一种改进的基于粗集和Tabu搜索的属性约简算法。首先利用粗集中的一般约简算法，确定开始进行Tabu搜索的属性个数；然后逐渐减少属性个数，利用。Tabu搜索搜寻含有较少属性个数的属性约简。在进行Tabu搜索时，利用任一属性约简必包含属性核来减少算法的计算时间和搜索空间。实例表明，改进后的算法既具有较高的算法效率，又能以较大的概率得到最小属性约简。     

粗集中属性约简的一种启发式算法

属性约简是知识获取中的关键问题之一。为了能够较为有效地获得较优的属性约简，在基于可辨识矩阵的属性约简算法的基础上，加入了属性代价值为启发性知识，提出了一种基于相对差异表的启发式属性约简算法。实例分析表明，文章提供的算法能够以较大的概率和较高的效率获得较优的属性约简，具有良好的效果。     

基于0-1规划的最小属性约简算法

为了得到信息系统的最小属性约简,提出了基于0-1规划的最小属性约简算法.首先,由区分矩阵定义了极小区分集的概念.其次,将信息系统的最小属性约简问题转化为0-1规划,从而给出了基于0-1规划的最小属性约简算法.再次,通过一个具体实例对该算法进行了说明.     

不完备信息系统的动态约简算法研究

属性约简是基于粗糙集的数据挖掘方法中最重要的思想和算法,采用经典的数据分析工具得到最小约简是一个NP问题,由此产生了许多启发式属性约简算法。对不完备信息系统中数据动态变化的问题做了研究,对已有的算法做了改进,并通过实际算例分析,验证了算法的有效性。     

基于统计与联系度的粗糙集模型及其应用

针对连续性和不完整的数据集没有属性约简理论的问题,结合统计的聚类分析方法和集对分析的联系度,提出了一种基于统计和联系度的粗糙集模型,它能对连续性和不完整的数据集进行属性约简.     

几类拓展粗糙集模型属性约简研究综述

粗糙集属性约简算法是数据预处理的有效方法,但无法处理某些结构复杂的数据.为了进一步拓宽粗糙集的应用范围,通过扩展粗糙集模型或改进属性约简算法以提高粗糙集的数据处理能力.对模糊粗糙集、覆盖粗糙集、邻域粗糙集、决策粗糙集、变精度粗糙集等几类拓展粗糙集模型的一些经典属性约简算法和最新提出的算法进行梳理和归纳后发现,现存的算法在运行效率和空间复杂度等方面限制了拓展粗糙集模型的使用范围.当前研究中拓展粗糙集模型在约简理论完善、大数据处理、特殊数据处理等三个方面的问题依然存在,因此未来应重点结合Pawlak粗糙集属性约简算法的思想、智能算法以及其他一些理论方法来研究拓展粗糙集模型属性约简理论.