基于GA-PSO的粗糙集属性约简算法

属性约简是粗糙集合研究的重要内容之一。为了能够有效地获取决策表中属性最小相对约简,提出了一种基于GA-PSO的属性约简算法。该算法以条件属性对决策属性的支持度为基础,求解核属性,把所有的条件属性(除去核属性)加入粒子群算法的初始种群中,并用遗传算法对不满足适应度条件的粒子进行交叉变异操作。实验结果表明,该算法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,能够快速有效地获得最小相对属性集。     

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。     

基于遗传算法的属性约简新方法

属性约简是粗糙集理论的一个核心问题,而求解最小约简是NP-Hard问题。为了有效获取最小相对约简,提出一种基于遗传算法的粗糙集属性约简算法,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,引入决策属性对条件属性的依赖度,使算法既保证全局寻优的特性又具有加强局部搜索的能力,能够获得最优的搜索效果。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。     

基于遗传算法的属性约简新方法

属性约简是粗糙集理论的一个核心问题,而求解最小约简是NP—Hard问题。为了有效获取最小相对约简,提出一种基于遗传算法的粗糙集属性约简算法,算法将属性核加入遗传算法的初始种群采增加收敛速度,而且在适应度函数中,引入决策属性对条件属性的依赖度,使算法既保证全局寻优的特性又具有加强局部搜索的能力,能够获得最优的搜索效果。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。     

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。     

基于自适应遗传算法的粗糙集属性约简算法

为了获得有效的最小属性约简,提出了一种基于改进遗传算法的粗糙集属性约简算法。该算法将属性的相对核加入遗传算法的初始种群以提高算法的收敛速度。通过采用自适应交叉和变异、修剪相似个体、动态补充新个体等遗传操作,增加了群体的多样性,避免了“早熟”现象。仿真结果表明,算法在约简的效率和准确性方面都取得了较好的结果,是一种行之有效的属性约简算法。     

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.     

基于免疫算法的粗糙集知识约简

在基于粗糙集理论的知识发现过程中,减小属性约简复杂度问题是重要研究内容之一,是在保持信息系统分类能力不变的基础上,删除冗余知识. 通过在知识表达系统中的决策属性支持度来描述由条件属性所提供的知识对整体决策的支持程度, 通过相对重要程度来描述条件属性对决策属性的重要性.然后利用免疫网络机理和约简算法融合,构造免疫网络约简算法,把相对核加入初始种群加快收敛速度.最后,以经典的实例分析表明,该方法是求解知识约简问题的快速有效方法.     

基于属性分组法求解信息系统属性核的算法

在粗糙集理论中对信息系统的属性集进行约简是一个重要的课题,属性核是所有约简的交集,从而现行的许多属性约简算法,都是以属性核为起点,利用启发式信息(如相对信息量,相对重要性等)逐步对属性核中添加相对最重要的属性,直到得到原信息系统的一个约简为止,论文提出了一种新的计算属性核的算法,该算法避免了传统算法中重复计算等价矩阵交运算次数多的缺点,降低了常规算法的时间复杂度。     

基于免疫算法的属性约简方法

为了求取决策表系统中属性的最小约简,本文提出了一种基于免疫算法的属性约简方法。该算法应用决策表的相对核来初始化种群,根据决策属性对条件属性的依赖度和抗体中条件属性的个数设计抗体的适应度函数,通过免疫记忆特性和抗体浓度的促进与抑制作用,保持了个体的多样性,提高了算法的全局搜索能力,避免陷入局部最优现象,从而求解出最小属性约简集合。实验结果表明,算法快速、有效,能得到较好的最小属性约简。     

基于自适应遗传算法的粗糙集知识约简算法

为了获得有效的属性最小相对约简,提出了一种基于自适应遗传算法的粗糙集知识约简算法。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,并且对交叉概率和变异概率进行了新的设计。设计中既考虑到进化代数对算法的影响,又考虑到每代中不同个体适应度对算法的作用。最后通过两个经典算例进行了验证,无论在约简的准确性上,还是平均运行代数上都取得了较好的结果。     

一个新的差别矩阵及其在决策表中的应用

在利用差别矩阵求解决策表的相对核方法中,针对HU方法的错误,人们提出了各种各样新的差别矩阵及求相对核的方法,但计算代价高.把决策属性与条件属性放在一起构造出一个新的差别矩阵,得到了差别矩阵的若干性质和定理.在此基础上提出了求决策表的正区域、相对核、相对约简和最小约简的新算法,分析了该算法的时间复杂性.理论分析和实例表明,与现有的属性约简算法相比,该算法的时间复杂性较低.     

不完备信息系统中基于限制容差关系的属性约简方法

决策表核属性的确定往往是信息约简的基础,然而以往的核属性约简方法大多是针对完备信息系统的。将完备信息系统中的属性核与属性序约简算法延伸至不完备系统,提出一种不完备信息系统中基于限制容差关系的属性约简方法。该方法通过构造限制容差关系下决策表的改进分辨矩阵来求得核属性,并将非核属性按直观影响分类质量的能力排序,能够保证得到的约简结果是相对最小约简。通过实验比较证明该方法可行、有效。     

一种综合信息熵和遗传算法的知识约简方法

针对粗糙集理论核心内容之一的知识约简问题,本文结合信息论有关知识,给出了粗糙集理论中一些概念和运算的信息表示,并利用遗传算法作为约简工具,提出了一种知识相对约简的方法．为使所得约简相对最优,将条件信息熵的重要性定义融入了适值函数中．同时,在适值函数的选取上引入了惩罚函数和罚系数,从而保证所求的约简在包含最少而又非零个属性的基础上保持原有的分类能力．通过实例分析可看出,该算法对求解约简问题是快速有效的．