代价敏感属性约简的自适应分治算法

代价敏感属性约简问题作为经典属性约简问题的自然扩展,将代价引入数据,使得属性约简问题更加具有现实意义。文章基于分治思想,先按列将数据集拆分为若干个互不相交的子数据集,然后对各子数据集进行约简,并把约简后的子数据集多路合并。依次继续执行约简和合并操作,最终得到最小测试代价约简。每个子数据集的大小及子数据集的总个数自适应于各个数据集的规模而非固定不变。为验证算法的有效性,选择四个UCI标准数据集进行实验,并与其他算法进行结果对比。实验结果表明,该算法能在较短时间内获得可接受的结果,更适应实际问题的需要。     

基于误差和可变代价的最优属性子集选择方法

代价是现实数据的重要方面.数据的测试代价与数据的误差范围,即数据的粒度紧密相关,而误分类代价又跟测试代价有关,已有的属性选择方法往往忽视了这一点.为了处理这种情况,提出了一种基于误差范围和可变代价的最优属性子集选择方法.首先建立了该方法的理论框架,再设计了相应算法.在该方法中,测试代价和误分类代价根据不同的误差置信水平自适应地生成.再以最小化平均总代价为目标进行属性选择,从而得到最优的属性子集和误差置信水平.实验结果验证了所提方法的有效性.     

多代价下的代价敏感属性选择算法比较

代价敏感属性选择在数据挖掘和机器学习中起着关键性作用,代价敏感属性选择问题是经典属性选择问题的自然扩展,已成为越来越多学者的研究热点之一.首先给出多代价下代价敏感属性选择问题的数学模型,然后介绍现有的有代表性的四种代价敏感属性选择算法,最后在四个UCI数据集上进行实验,对四种代价敏感属性选择算法的效果和效率进行比较分析.     

基于最小代价函数的网格资源发现算法

在P2P网格环境下,针对分层次网格资源发现机制过分依赖资源路由节点的弱点,提出了一种基于最小代价函数的网格资源发现算法.算法引入最小代价函数作为资源路由节点的选择标准,采用欧式坐标空间映射方法将网格资源和资源请求映射到了同一个欧式空间中进行资源发现.实验表明,算法代价低、响应快,能获得更好的查找成功率.基于最小代价函数的网格资源发现算法支持多种查询,具有良好的用户满意度和资源搜索性能.     

基于位差的属性选择算法

针对高维数据的数据分析或数据挖掘算法的时间复杂度随着维数增长,时间开销呈指数上升的问题,采用恰当的特征选择方法可以降低数据的维数,并且可以保持原有的数据分辨能力。使用卡方统计量为属性相关性的量化结果,根据卡方表查出独立性置信水平α。对于某属性子集,根据α给出两个有序序列,一个序列是所有属性与分类属性的α有序序列,另一个序列是所有属性与参照属性的α有序序列。利用各个属性在两个序列中位差(位置差异)选择属性。最后给出算法的理论分析,并且给出实验结果和分析。     

基于知识粒度的最小属性约简算法

针对目前决策表属性约简的计算问题,研究了粗糙集理论中差别矩阵,讨论了知识粒度与信息量、类别特征矩阵之间的关系,利用知识粒度最大的属性生成较小的类别特征矩阵,设计了新的启发式规则来快速缩小搜索空间和最小化属性选择,提出了一个基于知识粒度的最小属性约简算法,并用一个实例证明了算法的正确性。与类别特征矩阵相比,采用知识粒度生成的类别特征矩阵可以有效地减少存储空间。实验结果表明,所提出的算法能够得到最小属性约简。     

基于最小代价的跨域虚拟网络映射算法

针对多个自治域网络环境中的虚拟网络映射问题,提出了基于最小代价的跨域虚拟网络映射(MC-VNE)算法.首先根据虚拟网络的约束条件,计算每个虚拟节点的可用物理节点集合,然后利用最小权重路由算法,计算出每条虚拟链路的可用映射物理路径集合.借鉴克鲁斯卡尔最小生成树算法思想,依次在可用映射物理路径集合选择最小权重物理路径,然后将对应的虚拟链路映射到该物理路径上,并协调完成虚拟节点的映射操作.仿真结果表明,MC-VNE算法有效地降低了虚拟网络映射的资源代价,提高了虚拟网络请求接受率.     

基于主干树的最小代价组播路由算法

提出基于主干树的最小代价组播路由算法,该算法首先在网络中找出K个代价最小的结点,然后以这K个结点形成一棵树,并称这棵为主干树,然后将不在主干树上的成员结点加入到树上,最后剪去非成员的叶结点。该算法的时间复杂度O(n^3)。该算法所构造的组播树代价略低于MPH算法和KMB算法。     

基于动态规划算法实现代价最小的字符串输出

通过求解字符串输出最小代价的问题,基于动态规划算法来讨论其解空间,进一步完成其最小代价的存在性、解空间的结构的定义及实现字符串输出的优化解的算法设计与分析。     

基于粒子群优化的最小属性约简算法

将最小属性约简问题转化为一个基于粒子群优化算法求解的多目标优化问题.引入基于表现型共享的适应度评价函数以提高多目标搜索算法的性能,对基本粒子群优化算法的位置更新公式进行修正使其能够有效应用于最小属性约简问题,并提出了一种用于求解该问题的二进制多目标粒子群优化算法.实验表明,本算法是有效的,并能一次运算获得多个最小属性约简.     

量子可逆逻辑电路最小代价综合算法

采用位运算构造了一个完备的Hash函数,提出了基于Hash表的新型量子可逆逻辑电路综合算法.利用该算法可对多种量子门采用任意量子代价标准,以较高的效率生成最优的量子可逆逻辑电路.按照国际同行认可的三变量可逆函数测试标准,该算法不仅能够生成全部最优电路,而且运行速度远远超过其他算法.实验结果表明,该算法在同等计算环境下,以目前最好结果为基准,按最小量子代价标准,综合电路的平均速度是最好结果的472.5倍.     

动态规划算法并行计算最小代价矩阵

采用了动态规划法并行计算最小代价矩阵,在机群环境下用DCOM方式实现了该算法的程序.实验结果表明,该并行算法能充分利用各节点机上CPU的资源,提高程序的运行效率.同时也可以看出利用DCOM技术能够方便、有效的实现并行算法.     

基于可拓域变化代价最小的最优粒度选择

针对当前最优粒度选择算法对决策域动态变化带来的代价鲜有涉及的问题,引入可拓集方法,结合三支决策思想提出基于可拓域变化代价最小的最优粒度选择模型.首先由可拓评价法确定指标等级离散化数据表,以权重为粒子实施粒化,利用二元关系交算子构建粒层空间;其次融合三支决策划分三个域,基于三个域的动态变化确定可拓集的五个域;然后研究可拓...     

基于OFDM的认知无线网络中最小代价增量资源分配算法

认知无线电是解决频谱资源紧张,提高频谱利用率的有效方式之一。在保护授权用户不受过度干扰的前提下,为了充分利用基于OFDM的认知无线网络频谱资源,在分别考虑频谱检测可靠性和互干扰对资源分配影响的基础上,构建了一个联合功率控制和子载波分配的最优化目标。考虑算法实际可行性,提出了3个次优的基于最小资源代价增量的算法,即最小功率代价增量算法、最小干扰代价增量算法以及最小功率干扰加权和代价增量算法。数值仿真表明,相比于现有的静态等功率资源分配,所提算法的吞吐量性能均有明显提升,其中,最小功率干扰加权和代价增量算法整体性能最好。     

基于关键结点和遗传操作的最小代价组播算法

提出了基于关键结点的最小代价组播路由算法,算法利用整数规划的思想在网络中找出k个代价最小的结点;通过特定策略将这k个结点构成一棵树,然后采用遗传操作将不在树上的成员结点加入到树上,最后剪去非成员的叶结点形成最小代价组播树.该算法可靠性高,能够有效满足实时应用的需求.     

关于BFPRT分治选择算法的最佳性

对基于分治思想设计的ＢＦＰＲＴ选择算法给出了几乎最佳改进，并指出在比较算法类中，基于建立中值序列选中位元素的分治思想，对此算法的任何改进其复杂度至少为８ｎ，其中ｎ为选择问题的大小。     

基于最小描述长度和遗传算法的属性选择方法

为了提高使用属性选择方法后分类器的分类效果,减少分类器的分类错误率,提出了一种基于最小描述长度和遗传算法结合的属性选择方法GA+MDL算法.通过与weka平台上已经实现的两种属性选择方法GeneticSearch + CfsSubsetEval方法以及BestFirst + CfsSubsetEval方法进行比较,证明该方法能够从一定程度上提高属性选择算法的效果.     

一种改进的最小代价网络编码算法

分析了网络编码内在特性,指出网络编码区别于传统多播并提升多播传输性能的根本原因在于网络中存在被不同传输路径所重用的关键链路.通过在构建网络编码多播的传输路径时形成较少的关键链路,提出了一种基于关键链路的最小代价网络编码算法.该算法是在最大流算法的基础上加以改进的,并结合了网络增广链和最小截集的性质,是一种有效的最小代价网络编码算法.基于随机网络的仿真实验证明,在实现多播理论容量的前提下,该算法能有效降低网络编码的代价.     

一种最小测试代价约简的改进算法

传统属性约简的目标是在决策表中的所有条件属性中,选择一组分类代价最小的约简,算法构建了测试代价最小的约简.以往的测试代价约简算法查找成功率不够理想,性能不稳定,提出了一种改进的测试代价约简算法.通过运行2个UCI数据集实验,证明算法是有效的,并为提高测试代价约简算法性能提供了新途径.     

基于量子云模型演化的最小属性约简增强算法

为提高决策表中最小属性约简的效率、稳定性和鲁棒性,基于云模型在非规范知识定性、定量表示及其相互转换过程中的优良特征对量子进化算法进行算子设计,提出了一种基于量子云模型演化的最小属性约简增强算法(QCMEARE).该算法采用量子基因云对进化种群进行编码,基于约简属性熵权逆向云进行量子旋转门自适应调整,使其在定性知识指导下能够自适应控制属性约简空间搜索范围,并采用量子云变异和云纠缠操作算子较好地避免了在属性演化约简中易陷入局部最优和早熟收敛等问题,使算法快速搜索到全局最优属性约简集.仿真实验表明,提出的最小属性约简增强算法具有收敛速度快、约简精度高和稳定性强等优点.