基于混合遗传的粗集理论在工期目标实现中的应用

提出了一种基于混合遗传算法的相对约简算法,把模拟退火融入到遗传算法中形成混合遗传算法,提高了遗传算法的优化效率,并用这种混合遗传算法寻求最小条件属性集及最小属性值约简.并把该算法引入到工程管理中,提出若干条决策规则,工程管理人员按照这种决策规则进行施工过程的管理,确保在预定时间内完成工程任务.如果对整个施工过程的每道工序都提出决策规则,就可以实现施工过程的智能化管理.     

不完备信息系统的可信决策规则提取与E2相对约简

在不完备信息系统中,提出可信决策规则以及最优可信决策规则的概念,用以刻划信息系统中必定存在或可能存在的确定性决策规则.给出关于容差关系的最大相容类的∨-描述的概念,并由此得到初等可信决策规则.针对协调最大相容类,定义一种基于区分矩阵的区分函数;通过计算协调最大相容类的区分函数的析取范式,可由初等可信决策规则求得所有最优可信决策规则.最后给出条件属性的E-相对约简的概念及其区分函数求法.E-相对约简是保持不完备信息系统的确定性信息的极小条件属性子集.     

粗糙集中属性约简的一个贪心算法

利用单属性的逼近精度、由决策属性定义划分的粗糙逼近精度以及它们的均值和方差 ,给出了属性重要性程度的一种度量方式。在此基础上 ,提出了粗糙集中属性约简的一个贪心算法 ,将各属性按照重要性由大到小依次加入到约简属性集中 ,直到满足约简条件为止 ,其特点是简单、容易实现 ,在条件属性较多的情况下 ,往往能够迅速求得一个属性约简。     

决策分析中属性约简的择优算法

粗糙集理论在决策分析中具有广泛的应用。基于优势关系的粗糙集理论只给出如何进行属性约简以得到决策规则的方法，本文则进一步研究了如何针对不同的属性约简如何进行选择。在优势关系的基础上引入格序的概念，利用序关系给出属性约简的贴近度，借此比较了不同约简下所得决策规则贴近于原知识库的程度，并通过一个具体例子加以说明。     

基于K-means聚类的超启发式跨单元调度方法

结合我国制造业实际生产状况,针对柔性作业车间跨单元调度问题,提出一种基于K-means聚类的超启发式算法。应用K-means聚类算法将相近属性的实体划入相应“工件簇”决策块中,采用蚁群算法为每个决策块选择启发式规则;对每个决策块内的实体运用相应的启发式规则产生调度解。仿真结果表明：该算法以决策块的形式适度增大了计算粒度,有效降低了算法时间复杂度,以聚类的方式将具有相近属性的被加工实体进行聚集,有利于为不同属性的实体选择合适的规则。该算法提高了计算效率,具有较好的优化性能,是解决柔性跨单元调度的一种有效算法。     

一种基于新的条件信息量的属性约简算法

为了获得决策系统中更好的相对约简,讨论了属性约简与条件信息量的关系,提出了新的条件信息量,由此定义新的属性重要性。统一了一致决策表和不一致决策表属性约简方法,以新的属性重要性为启发信息,给出了计算新的条件信息量的高效算法。理论分析和实验结果表明,与现有的基于条件信息量的约简算法相比,该算法时间复杂度较低,同时约简后的属性数目更少。     

基于粗糙集的区域交通控制交通量属性约简

交通量属性的有效约简能够大大减少方案选择式城市区域实时交通控制系统在线SVM分类计算的计算量,是实现这种实时交通控制方式的关键一步。在遗传算法初始种群的产生和变异中引入了混沌算法,并提出了“混沌变异”的概念,由此构造了混沌遗传算法。将混沌遗传算法用于粗糙集的属性约简,并在构造适应度函数时引入了粗糙集理论的“支持度”。在初始种群的产生、交叉和变异算法中均采用约简的可辨别下三角矩阵判断个体的可行性。最后将所开发的粗糙集混沌遗传属性约简算法用来对城市区域交通控制交通量属性进行约简。仿真计算结果表明:所开发的粗糙集混沌遗传属性约简算法能有效地解决交通量的属性约简问题。     

一种混合决策系统属性约简算法研究

针对基于模糊等价关系建立的粗糙集模型，指出了现有相对约简算法的不合理，重新定义了相对约简，并提出利用改进的二进制粒子群优化（PSO）算法来求混合决策系统的相对约简。改进的二进制PSO算法引入遗传算法的交叉算子，同时对于种群中适应度最低的粒子，用新产生的粒子代替。根据“相对约简中属性的数量越少，相对熵之差绝对值越小，适应度函数的值越大”的原则设计适应度函数。实验证明算法对混合决策系统能进行有效的约简。     

基于属性重要性的决策树规则提取算法

对属性进行约简为从关系数据库中挖掘简洁的规则创造了条件。但从属性约简后的数据集中提取最简规则的问题仍是一个NP难题,一般借助于启发式算法。提出了一种新的基于属性重要性的规则提取算法,称为IADT(importantattributedecisivetree)算法,采用粗糙集理论中的属性重要性概念,通过建立树结构来提取规则。算法可以避免面对NP难题,获得相对简单的规则。计算实例表明,IADT算法具有良好的实用性,有进甚至可以获得最简规则。通过与ID3算法进行的比较表明,IADT算法为规则树算法提供了一种新的属性选择标准。     

基于特征矩阵的决策表约简研究

决策表属性约简是粗集分析的重要内容 .最优属性约简是 NP困难问题 ,目前出现的启发式算法多是以决策表的核为起点 .但对于大型决策表 ,核一般计算量大 ,影响了整个算法的效率 .为此提出了一种分析决策表的属性约简算法 ,它不仅不依赖于核 ,反而为核提供了一种有效的计算方法 .其次 ,对人们容易忽略的含噪声决策表的属性约简也进行了分析 .     

属性约简的两阶段遗传算法

属性约简是数据挖掘的一个重要研究内容. 为了解决具有多种属性类型的决策表约简问题,在粗集和二元关系聚合理论的基础上,利用属性重要性作为评价标准,提出了一种两阶段遗传约简算法. 算法的第一阶段是为了找出尽可能多的约简,第二阶段力求寻找最小约简. 根据算法每个阶段的目标设计了编码方案、种群规模、适应度函数、终止条件、选择、变异和修正操作. 实验表明,与标准遗传算法相比,两阶段算法在计算最小约简时更为准确和稳定.     

Cooperative extended rough attribute reduction algorithm based on improved PSO

Particle swarm optimization (PSO) is a new heuristic algorithm which has been applied to many optimization problems successfully. Attribute reduction is a key studying point of the rough set theory, and it has been proven that computing minimal reduction of decision tables is a non-derterministic polynomial (NP)-hard problem. A new cooperative extended attribute reduction algorithm named Co-PSAR based on improved PSO is proposed, in which the cooperative evolutionary strategy with suitable fitness functions is involved to learn a good hypothesis for accelerating the optimization of searching minimal attribute reduction. Experiments on Benchmark functions and University of California, Irvine (UCI) data sets, compared with other algorithms, verify the superiority of the Co-PSAR algorithm in terms of the convergence speed, efficiency and accuracy for the attribute reduction.     

肯定和否定决策规则的获取及约简

为了从不完备有噪声的信息系统中获取肯定和否定决策规则,首先提出了变精度粗糙集描述子的概念,并讨论了其性质|然后给出了该模型下肯定和否定决策规则获取的方法|最后,为了获得简化的决策规则,提出了基于分辨矩阵的描述子约简方法和保持下近似分布不变的启发式约简算法,在学生成绩的评测实例中验证了该方法的有效性。     

粗等价类融合禁忌搜索的最小约简完备算法

提出粗等价类融合禁忌搜索的最小约简完备算法.首先用全局等价类替换元组作为基本计算单位,给出3类粗等价类定义,结合0-粗等价类在约简的渐增式计算中递减至空的性质,推导出求正区域的等价方法,并设计求解中双向缩减计算域的优化策略,从而提供快速求初始解、验证解等基础算法;然后面向约简特性设计禁忌搜索下的多种策略,包括双向邻域搜索、藐视准则、有限随机搜索、有限解检验等,最后给出高效的最小约简完备算法.用UCI中20个决策表、KDDCup海量数据集从多个性能指标进行验证,实验结果证明粗等价类理论和禁忌搜索从双方面保证本文算法的完备和高效性,大多数情况下可有效求得最小约简,并在跳出局部最优解、收敛速度和处理海量数据效率等方面优于现有算法.     

信息系统的属性约简

粗糙集理论是一种新的处理模糊和不确定知识的数学工具 .属性约简是粗糙集理论研究中的重要内容之一 ,现已证明寻找信息系统的最小约简是 NP-hard问题 .本文提出一个基于信息量的属性约简的启发式算法 ,该算法的时间复杂性为 $O( | A|^3 | U| ^2 )$ .通过例子分析 ,表明该算法是有效的.     

A rough set approach to feature selection based on scatter search metaheuristic

Rough set theory is an effective method to feature selection, which has recently fascinated many researchers. The essence of rough set approach to feature selection is to find a subset of the original features. It is, however, an NP-hard problem finding a minimal subset of the features, and it is necessary to investigate effective and efficient heuristic algorithms. This paper presents a novel rough set approach to feature selection based on scatter search metaheuristic. The proposed method, called scatter search rough set attribute reduction （SSAR）, is illustrated by 13 well known datasets from UCI machine learning repository. The proposed heuristic strategy is compared with typical attribute reduction methods including genetic algorithm, ant colony, simulated annealing, and Tabu search. Computational results demonstrate that our algorithm can provide efficient solution to find a minimal subset of the features and show promising and competitive performance on the considered datasets.     

Half-global discretization algorithm based on rough set theory

It is being widely studied how to extract knowledge from a decision table based on rough set theory. The novel problem is how to discretize a decision table having continuous attribute. In order to obtain more reasonable discretization results, a discretization algorithm is proposed, which arranges half-global discretization based on the correlational coefficient of each continuous attribute while considering the uniqueness of rough set theory. When choosing heuristic information, stability is combined with rough entropy. In terms of stability, the possibility of classifying objects belonging to certain sub-interval of a given attribute into neighbor sub-intervals is minimized. By doing this, rational discrete intervals can be determined. Rough entropy is employed to decide the optimal cut-points while guaranteeing the consistency of the decision table after discretization. Thought of this algorithm is elaborated through Iris data and then some experiments by comparing outcomes of four discritized datasets are also given, which are calculated by the proposed algorithm and four other typical algorithms for discritization respectively. After that, classification rules are deduced and summarized through rough set based classifiers. Results show that the proposed discretization algorithm is able to generate optimal classification accuracy while minimizing the number of discrete intervals. It displays superiority especially when dealing with a decision table having a large attribute number.     

GIS分析与互信息属性约简的停车库选址决策

为了使城区立体车库的选址更加合理,充分发挥其建成后对交通缓解的作用,提出了一种城区立体停车库选址决策方法.通过采用地理信息系统分析方法,建立基于地理信息系统分析的规划选址立体车库属性信息数据,运用模糊粗糙集互信息属性约简算法挖掘出立体车库的选址与多种地理因素的关系知识进行属性约简,从而用地理信息分析和演绎推理相结合的归纳学习算法生成决策树和决策规则进行选址决策的评价及分析.对兰州市规划中的立体停车库选址建模仿真,仿真结果表明该方法能较好地运用在待求解问题中,从而为智能交通系统提供参考依据.     

基于遗传算法的一种粗糙集知识约简算法

知识约简是粗糙集理论研究的重要内容之一,是在保持信息系统分类能力不变的基础上,删除冗余知识.文中从系统的信息表出发,根据可辨别下三角矩阵,利用遗传算法,提出一种基于遗传算法的粗糙集知识约简算法,并通过实验分析说明,这种算法可以解决现有启发式算法无法解决的部分问题.