一种改进的Rough集属性约简启发式遗传算法

属性约简是知识发现中的关键问题之一 .为了能够有效地获取决策表中属性最小相对约简 ,提出了一种在优化初始群体基础上提高算法性能的启发式遗传算法 .首先 ,通过构造一个新的算子 ,将信息论角度定义的属性重要性度量作为启发式信息 ,来描述所选择的属性子集对论域中确定分类子集的影响 ;接着 ,以此为基础并结合遗传算法 ,选择一些经过优化的染色体作为初始群体 ,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 .最后 ,从理论上对算法做了分析 ,证明了新算子所选择的属性子集对原有属性分类能力保持不变 .试验分析表明 ,该算法能有效地对决策表属性进行约简     

一种基于Rough Set的汉语检索算法

传统的语料检索的不足主要为：（1）无法模糊匹配检索;（2）存在跨行词问题,无法保证查全率;（3）难以对检索结果缩检和扩检．为了克服这些不足,该文提出了基于RoughSet批处理汉语语料的词句．根据RoughSet和汉语语料的特征,给出了模糊检索算法（AMTRT）．通过与单汉字索引检索算法比较验证了AMTRT的有效性．AMTRT在实现各种模糊匹配,节省空间开销且不降低精确匹配查准率基础上,将词句的查全率提高近50％．     

一种基于Rough sets生成决策树的算法改进

介绍了决策树算法的含义和构筑方法,对基于加权平均粗糙度构造决策树算法进行改进,通过实例说明了改进算法的优势。     

一种改进的基于粗糙集理论的启发式特征选择算法

在最大支持启发函数的基础上提出了一种新的基于粗糙集的启发函数,称为参数加权平均支持启发函数.该方法的优点是考虑了可能性规则集的整体质量,它所选出的特征在决策类上能形成具有高加权平均支持度的规则,并且能够利用阈值调整下近似的水平.计算实例表明该方法是有效的.     

一种改进的启发式属性约简算法

文章对现有启发式属性约简算法进行分析,通过实例说明一般启发式算法求得的相对约简有冗余属性存在的问题.针对这一不足,在算法中加入消除冗余属性的二次约简过程,得到一种改进的启发式属性约简算法.提供了实例分析,验证了该改进算法具有较好的约简效果.     

一种改进的基于粗糙集的启发式值约简算法

在求得决策表中属性值核的基础上,用属性重要度指导增加后续属性值,还引入包含度和支持度统计度量,生成了不同置信度水平下的决策规则集,并设计了基于规则集的分类算法。对Monk数据集的对比实验表明,该算法是有效的。     

数据云中基于启发式反向蜂群的虚拟机选择节能算法

结合数据中心中数据密集型作业的频繁读写数据特点,综合考虑CPU使用率和RAM使用率两个影响因素构建服务器能耗评价模型,并引入人工蜂群算法及启发式反向思想,将其应用于数据中心虚拟机迁移策略中的虚拟机选择环节,实现云计算中数据中心节能问题的优化.在CloudSim 3.0云计算模拟器中的仿真实验结果表明:该启发式反向蜂群虚拟机选择节能算法(ABCS)与最大最小时间(MMT)、随机选择(RS)和最小使用率(MU)3种经典虚拟机选择算法相比节能20%~25%,虚拟机迁移频率减少至5%以下.     

一种基于反馈策略的自适应选择人工蜂群算法

雇用蜂觅食策略对人工蜂群算法性能有较大影响,而单一的觅食策略难以适用于所有问题的搜索空间,并且算法运行的不同阶段所适合的搜索策略也不尽相同.因此,如何为一个给定的函数优化问题选择最佳的觅食策略尤为重要.针对这一问题,提出了一种基于反馈的觅食策略自适应人工蜂群算法SSABC,该算法能够在优化过程中为一个给定的优化问题自动选择最佳的觅食策略.实验表明,与经典ABC(artificial bee colony algorithm),PSO(particle swarm optimization),DE(differential evolution),GA(genetic algorithm)算法相比,SSABC算法的寻优能力有较大提高.     

基于Rough集的集成离散化算法

离散化是Rough集理论研究的一个重要内容,目前基于Rough集的离散化算法很难做到高效率和高识别率兼顾.文中分析了基于断点重要性算法和基于属性重要性算法的特点,确定了离散化思路,提出了一种基于Rough集的集成离散化算法.该算法能够有效降低候选断点的数目,快速地实现决策表的离散化.实验结果表明,文中算法保持了与已有算法可比的识别率,且运行效率更高.     

决策表最优特征子集的选择--基于粗集理论的启发式算法

特征子集选择问题是机器学习的重要问题。而最优特征子集的选择是NP困难问题,因此需要启发式搜索指导求解。基于粗集理论,本文提出了一种新的决策表最优特征子集选择的启发式算法。和以往的方法相比,这种算法简单实用,在一定条件下能够以较高的效率得到最优特征子集。     

基于粗集理论与神经网络的电力系统负荷预测VoIP系统的QoS

介绍了一种基于粗集理论与神经网络相结合的电力系统负荷预测方法.运用粗集理论方法对不确定、不完整的历史数据进行属性的约简分析,并将约简后的属性作为人工神经网络的输入进行负荷预测;改进基因算法对神经网络权值修正.算例表明该方法可行、有效.     

遗传算法选择操作的递归实现

选择操作是遗传算法中体现“适者生存”的关键一环．最常用的选择方式是“轮盘赌”法．其传统实现建立在逐项比较的基础上,算法复杂度为Ｏ（ｎ２）．通过把各码链适应值转换为一组具有线性序的区间,从而可利用二分查找法实现“轮盘赌”选择操作的递归算法,使时间复杂度下降到Ｏ（ｎｌｏｇ２ｎ）．     

“基因算法”在人工神经元网络中的应用

在使用著名的ＢＰ算法来训练一个多层毅向神经网络时，首先要确定这个神经元网络的主结构以及网络的各种初始化参数，但拓扑结构和各种参数的确定到目前为止还无确定的规则可寻。本研究将基因算法引入人工神经元网络。通过它来自动确定神经元网络的拓扑结构以及具体参数，并给出了基因算法在神经元网络应用中的具体实现。     

基于数据挖掘技术的负荷预测模型

为有效选取预测变量和训练模式、提高预测精度,提出了一个基于数据挖掘技术的负荷预测模型．该模型首先利用粗集理论和遗传算法选取与负荷相关的预测变量,再选取与预测日相似的训练模式,最后用神经网络对负荷进行预测．实际运行结果表明将该模型应用于电力系统负荷预测是可行的,其与传统的神经网络预测模型相比具有更高的预测精度.     

A hybrid genetic algorithm for reduct of attributes in decision system based on rough set theory

Knowledge reduction is an important issue when dealing with huge amounts of data. And it has been proved that computing the minimal reduct of decision system is NP-complete. By introducing heuristic information into genetic algorithm, we proposed a heuristic genetic algorithm. In the genetic algorithm, we constructed a new operator to maintaining the classification ability. The experiment shows that our algorithm is efficient and effective for minimal reduct, even for the special example that the simple heuristic algorithm can't get the right result.     

混合智能系统R-FC-DENN及其实现

混合智能系统已成为人工智能的一个重要研究方向,本文依据认知心理学和模型集成理论,构建了集粗糙集理论、聚类理论、模糊逻辑理论、遗传算法理论、人工神经网络理论于一体的混合智能系统R-FC-DENN,该系统在数据的空间效能方面和算法的时间效率等方面比已有算法有较大的改进。以混合智能系统R-FC-DENN为例,基于Rosetta和Matlab 6.5平台,还开发了混合智能系统工具箱RFCDENN-Tool,为相关研究打下坚实的基础。     

遗传算法在粗糙集属性约简中的研究

在粗糙集理论中,决策表的属性约简是一个非常重要的研究课题。通常人们期望找到最小属性约简,而遗传算法根据个体适应值动态地调整个体的交叉概率和变异概率,提高了遗传算法的寻优能力和收敛速度。     

应急协同视角下城市地面公交运营突发事件关键危险源辨识及应用

针对城市公交运营突发事件危险源复杂、应急信息系统繁多、但未形成某种危险源发生时的应急指挥信息化协同体系的问题,将遗传算法-粗糙集模型应用于公交运营突发事件危险源筛选,区别于传统粗糙集理论,基于多决策属性决策表和与其对应的适应度函数进行危险源筛选。以北京市公交运营为例进行了实例计算和分析,筛选出气象灾害为关键危险源。遗传算法-粗糙集模型在公交运营突发事件危险源筛选问题上表现出良好的可靠性。同时建立了气象灾害危险源情境下的北京市地面公交应急指挥信息化协同体系。