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.     

基于蚁群算法的粗糙集属性约简方法

利用蚁群算法的搜索技术,提出了一种基于蚁群算法的粗糙集属性约简方法。该算法将核引入初始信息素分布中,以加快算法的收敛。同时为提高全局搜索能力,根据蚂蚁在搜索过程中所得解的分布状况动态地调解蚂蚁的路径策略和信息量更新策略。实验证明该算法是有效的,具有较好的收敛速度和稳定性。     

多值RS理论中的属性约简算法

从信息论角度对信息系统中的属性重要性进行了度量,在此基础上提出了一种多值RS理论中的属性约简算法,它以一种新的形式的信息熵为启发式信息,减小了知识约简过程中的搜索空间. 实验分析表明,该算法能得到信息系统的最小约简.     

基于划分子集的属性约简算法

Pawlak提出的基于属性重要度的约简算法是常用的算法之一,它通过计算等价关系对论域划分的粒度来度量属性的重要度。但用该算法计算每一个属性的重要度时,都要计算不同等价关系对整个论域的划分,计算复杂度非常高。受决策树划分子集思想的启发,对基于属性重要度的属性约简算法进行了改进,提出了一种基于划分子集的属性约简算法。在核属性集形成划分的基础上,通过在核属性中添加非核属性从而形成更细的划分,如此反复。在保持正域不变的框架下,形成最细化分的属性集就是一个约简。理论分析显示该算法减少了求属性约简的计算时间复杂度,提高了求属性约简的效率。     

基于信息熵的属性约简算法及应用

阐述了粗糙集理论和信息熵的概念,在此基础上提出了一种基于信息熵的属性约简算法。该算法从相对核的角度出发,将信息熵、条件信息熵和属性的重要度结合运用,优化了算法的结构,同时加快了决策表的运行速度。用CTR和Wine数据集对提出的算法进行了实验验证。结果表明,该算法能获得决策系统的最优属性约简,同时加快了运行速度。     

基于熵的小生境蚁群算法及其应用

为克服基本蚁群算法易“早熟“的缺陷,将小生境算法和信息熵相结合,提出了基于信息熵的小生境蚁群算法。该算法采用小生境算法对蚁群算法的后期进行局部搜索并以信息熵作为开始和结束的判断依据。求解旅行商问题及房地产投资组合优化问题的结果表明其优于基本蚁群算法,该算法具有广阔的应用前景。     

改进的基于条件信息熵的属性约简算法

针对经典属性约简算法不能有效适应大数据集的问题,通过分析经典属性约简算法的特点,提出了一种改进的基于条件信息熵的属性约简算法.该算法以分类为基础,引入了类分布链表,将条件信息熵和成熟的数据库技术相结合,解决了内存限制问题,优化了算法的结构,同时加快了决策表的运行速度.最后通过实例对算法的有效性和可伸缩性做了分析.实例仿真计算表明,该算法在具有更快的约简速度的同时又不失其准确率.     

粗糙集属性约简的蚁群算法

粗糙集的属性约简属于NP问题,这就使得粗糙集很难在现实中得到广泛的应用。利用蚁群算法的搜索技术,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。本文以具体的实例,通过编程的实现来说明该算法具有实际应用价值。     

粗糙集属性约简的蚁群算法

粗糙集的属性约简属于NP问题,这就使得粗糙集很难在现实中得到广泛的应用.利用蚁群算法的搜索技术,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.本文以具体的实例,通过编程的实现来说明该算法具有实际应用价值.     

基于云计算的多层量子精英属性协同约简算法

针对传统粗糙集属性约简算法无法高效处理日益增长的大数据问题,提出了一种基于云计算的多层量子精英属性协同约简算法。该算法首先在云计算MapReduce模型下将大规模数据集划分到不同的进化蛙群中,分别获得各子种群最优解;然后构造一种基于多层量子蛙群精英向量的属性协同约简策略,挑选出具有全局搜索和局部精化最强优化能力的精英子种群向量,快速引导各子种群找到各自最小属性约简集,从而取得大规模数据集的全局最优属性约简集。实验结果表明本文算法在大规模数据集上求解全局最优属性约简解的效率和精度具有明显优势,同时应用于电子病历数据库MRI分割效果表明其具有较强适用性。     

一般模糊熵及其应用

针对广义近似空间,提出了一般模糊熵概念,简便而有效地度量了广义近似空间中粗糙概念的模糊性;讨论了一般模糊熵的性质,给出了一般模糊熵关于目标信息系统属性约简的定理及其证明;结合相对知识粒度,提出一个基于一般模糊熵的属性约简的启发式算法,该算法的时间复杂性为O（（｜P｜＋｜D｜）·（｜U｜4）。通过例子分析,表明该算法是有效的。     

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.     

面向设计的产品模块划分方法

提出了面向产品设计的模块划分方法。首先对产品子结构间的功能和结构相关性进行了分析,应用模糊树图聚类算法,探讨了模块的聚类形成过程,得到多种模块划分方案。然后,基于信息熵理论,以模块化产品设计中的横系列设计复杂度、纵系列设计复杂度和更新换代设计复杂度为优化目标,建立了面向设计的模块划分方案数学评价模型,对模糊树图法聚类得到的多个方案进行评价,从而得到最合理的模块划分方案。最后,以石材花线制品加工设备为例,验证了该方法的有效性和合理性。     

基于不完备混合序信息系统的增量式属性约简

由于大数据环境下数据呈现出动态更新的特征,因此增量式属性约简已成为粗糙集理论的重点研究方向。本文针对不完备混合型有序信息系统,利用邻域优势条件熵提出一种对象更新情形下的增量式属性约简算法。首先,针对不完备混合型有序信息系统提出一种新的邻域优势粗糙集模型,同时在其基础上定义了邻域优势条件熵,并设计出一种不完备混合型有序信息系统的非增量式属性约简算法;然后,针对不完备混合型有序信息系统对象的动态性,分别研究了邻域优势条件熵随信息系统对象增加和对象减少时的增量式更新;最后,利用邻域优势条件熵作为启发式函数提出了不完备混合型有序信息系统对象增加和对象减少时属性约简的增量式更新算法。实验结果表明,所提出的增量式算法无论在属性约简结果和属性约简效率上均比非增量式算法具有更高的性能。     

基于属性约简和相对熵的离群点检测算法

本研究结合信息熵与粗糙集理论中的属性约简技术,提出了一种新颖的离群点检测算法。这种方法通过在更小的属性子空间去获得相同或相近的离群数据集,使对离群数据的分析更加集中于较小的目标域。该算法对原属性空间进行划分,通过分析计算将具有最大相对熵与负相对势的对象集合判定为离群点集合。为了验证算法的有效性,还在通用数据集上进行了测试,理论分析和实验结果表明该离群点检测算法是有效可行的。     

基于小生境圆锥邻域粒子群的不完备决策表属性约简鲁棒算法

针对基于粒子群的属性约简算法易陷入局部最优、效率不高等问题,充分利用小生境技术在寻求最优解方面优势,提出一种基于小生境圆锥邻域粒子群的不完备决策表属性约简鲁棒算法(NCNPSO-IAR)。该算法通过圆锥分层空间构造小生境半径邻域子集向量,避免过多地依赖于先验领域知识生成小生境半径和早熟收敛,始终保持种群多样性,提高算法收敛速度。另外粒子种群在圆锥解空间充分进行约简集子矢量的协同学习,使属性约简集较好收敛到最优集。相关仿真实验表明:该属性约简优化算法是高效和鲁棒的,适用于不完备、含噪音决策表的属性约简。     

基于混沌人工蜂群算法的色彩量化方法

针对人工蜂群算法易陷入局部最优值、进化后期收敛速度慢等问题,为提高蜂群的多样性和搜索的遍历性,该文在人工蜂群算法中引入混沌思想,提出了一种混沌人工蜂群算法,并将其应用到色彩图像量化当中.仿真结果表明混沌人工蜂群算法改善了人工蜂群算法摆脱局部最优值的能力,提高了算法的收敛速度和精度,同时量化后的图像也具有更高的信息熵,保...     

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。