决策表的属性重要性与离散化

运用 Rough集理论处理决策表时 ,要求决策表中的值用离散数据表达。文中形式化描述了离散化问题 ,研究了决策表的属性重要性 ,提出计算条件属性重要性的新方法 ,然后给出基于属性重要性的决策表离散化算法。该算法按照属性重要性从小到大的顺序对每个属性进行离散化 :从可辨别矩阵中得到冲突样本 ,将冲突样本的属性值作为断点的上下界 ,用所有这样的断点化简后得到的断点集对该属性进行离散化处理。     

遗传算法在离散变量优化问题中的应用研究

针对实际应用中大量存在的离散变量优化设计问题,研究了利用一般连续变量方法进行离散变量优化设计的不足。结合离散变量优化问题与遗传算法的特点,提出离散交叉算子和离散变异算子,使遗传算子真正在离散空间中进行搜索。基于线性搜索思想提出离散引导算子以提高遗传算法的局部寻优能力,将种群逐步向离散极值点进行引导,实现算法的快速离散寻优。通过对两个实际离散变量优化设计问题的应用研究,验证了本方法解决离散变量优化设计问题的有效性。     

基于模拟退火算法的决策表最优属性选择

连续属性的决策表知识获取有两个问题需要解决其一是连续属性的离散化问题。这个问题已引起了人们的注意,在简单评述的基础上,结合粗集理论,提出了一种新的数据离散化方法。大致思想是先用K-W检验方法粗略评价各连续属性的重要性,然后用c均值聚类给出各属性的量化结果。若决策表不相容,则按属性重要性依次增加分类的区间数,如此反复直到决策表相容为止。其次是最优属性的选择问题。在此借助于简约格和模拟退火算法,给出一种启发式算法和最优算法。实例表明,上述方法是有效的。     

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.     

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 .     

一种高效的连续属性离散化算法

分析了基于熵的离散化标准的切点特性,提出并证明了一种基于边界点属性值合并和不一致度检验的离散化算法。与传统离散化算法相比,此算法只对边界点属性值进行合并,切点个数无需设定,自动生成,且合并规则简单易行,大大减小了计算量,适用于处理大规模高维数据库的离散化。同时由于采用了不一致度对备选切点集合进行调整,使本算法具有全局性。试验表明,该算法有效提高了分类规则的简明性和预测精度。     

有约束指导的粗集决策表属性约简算法

粗集理论通过对原始决策表的约简获取规则知识,其核心部分是属性约简.本文在结合两种基本属性约简算法优点的基础上提出了有约束指导的属性约简算法,并给出了算法的详细步骤.该算法通过专家经验的约束指导避免了对属性之间随机组合情况的搜索,可以提高求解速度.仿真试验验证了该方法的有效性和优越性.应用该算法处理一组生产调度数据以获取调度规则,结果显示能较好的与生产实际相吻合,这进一步验证了算法的实用性.     

一种新的决策表属性约简算法

结合模糊聚类技术与粗糙集中属性重要性思想,对同时含有连续、离散、序数型条件属性的决策表,提出一种属性约简算法,并对算法的时间复杂度进行了分析.该方法首先利用聚类技术将决策表的对象按条件属性进行分类,然后对去掉某属性后的决策表采用同样的方法进行聚类,再结合粗糙集理论进行属性约简.实例说明了该方法的合理性和有效性.     

含冲突的决策表中的决策规则发现

基于Rough集理论中的可辨识矩阵，讨论包含冲突样本的决策表中的决策规则及其可信度和支持度因子，提出决策规则的发现算法，算法通过删除决策表的核属性来引入新的冲突,以获取具有更高适应度的决策原则，最后用实验结果证明算法的可行性。     

粗集在数据开采中的应用

从数据库或数据仓库开采有用的知识，是辅助决策的有效手段，粗集作为一种新的软计算方法，是处理不确定、不完全数据的有效方法，它可以克服其他软计算方法的不足，并且和它们具有较强的亲和力，所以粗集理论得到了广泛的应用，尤其是数据开采领域巳成为研究的热点，论文就粗集在数据开采中的几个重要问题进行论述，包括决策表的约简、不完全决策表的处理，连续值的离散化、基于粗集数据开采的递增算法以及粗集与其他软计算方法的集成等几个前沿问题，同时指出了问题之所在，提出粗集进一步可能的发展方向。     

基于遗传算法的城市交通运输网优化问题研究

香港是一个市区人口相对集中的城市 ,公路和公共交通运输网的优化非常重要 ,随着经济的发展 ,人口的增加 ,对公共交通设施的需求越来越大 ,每年香港政府都要投资三亿港币建设新的公共交通设施 ,满足日益增长的需求 .这些新的交通设施要从许多公路和公共交通的规划项目中选择 ,这个问题数学上归结为一个 0 -1规划问题 .本文用遗传算法对这一 0 -1规划问题进行了求解 ,这是第一次将遗传算法应用于实际的网络设计问题 ,这一模型将有助于香港政府进行交通规划 ,香港 2 0 0 6年规划数据被用于进行实例研究.     

一种基于密度分布函数聚类的属性离散化方法

连续属性离散化是数据分析预处理中的一项重要内容，针对有监督学习，提出了一种基于密度分布函数聚类的连续属性离散化方法。该方法利用了粗糙集中决策表的一致性水平的概念，通过计算基于聚类划分后决策表一致性水平的反馈信息，动态地调整聚类参数—影响因子，直到决策表的一致性水平达到原始水平为止。由于同时考虑所有属性的离散化效果，可使离散化的结果更为合理。为了验证该方法的可行性，文中利用实际数据进行了试验。     

Chance Constrained Integer Programming and Stochastic Simulation Based Genetic Algorithm

ＣｈａｎｃｅＣｏｎｓｔｒａｉｎｅｄＩｎｔｅｇｅｒＰｒｏｇｒａｍｍｉｎｇａｎｄＳｔｏｃｈａｓｔｉｃＳｉｍｕｌａｔｉｏｎＢａｓｅｄＧｅｎｅｔｉｃＡｌｇｏｒｉｔｈｍ⒇ＺＨＡＯＲｕｉｑｉｎｇＣｏｌｅｇｅｏｆＭｅｃｈａｎｉｃａｌＥｎｇｉｎｅｒｉｎｇ,Ｓｈｉｊｉ...     

利用遗传算法求解多项目资源平衡问题

基于遗传算法的基本原理,针对多项目资源平衡问题本身的特点,通过建立适当的数学模型,提出了解决多项目资源平衡问题一种全新的精确解法,并通过实际算例表明该算法的有效性.     

求解多目标作业排序问题的遗传算法

利用联合进化遗传算法 ( CEGA)建立了求解多目标排序问题的一般框架 ,采用目标权衡分析诱导出决策人的偏好关系 ,并将其引入求解过程 ,以确定满意排序 ,在搜索寻优过程中 ,将启发式与遗传算法相结合 ,以提高搜索效率 .最后 ,利用该算法框架求解了一个含调整时间的一般 Job Shop排序问题 ,以表明算法的有效性.     

A Class of Genetic Algorithms on Bilevel Multi-objective Decision Making Problem

1　ＩｎｔｒｏｄｕｃｔｉｏｎＣｏｎｓｉｄｅｒｔｈｅｆｏｌｌｏｗｉｎｇｂｉｌｅｖｅｌｍｕｌｔｉ ｏｂｊｅｃｔｉｖｅｄｅｃｉｓｉｏｎｍａｋｉｎｇｐｒｏｂｌｅｍ[1] :ｍｉｎｘ Ｆ(ｘ ,ｙ) =ｍｉｎｘ (Ｆ1(ｘ ,ｙ) ,Ｆ2 (ｘ ,ｙ)… ,ＦＭ(ｘ ,ｙ) )　Ｍ 2　ｓ .ｔ.Ｇ(ｘ ,ｙ) 0ｍｉｎｙｉｆｉ(ｘ ,ｙｉ)　ｉ =1 ,2 ,… ,Ｐ　ｓ .ｔ.ｇｉ(ｘ ,ｙｉ) 0　ｉ =1 ,2 ,… ,Ｐ ( 1 )ｗｈｅｒｅｘ =(ｘ1,ｘ2 ,… ,ｘＮ)ａｎｄ ｙｉ=( ｙｉ1,ｙｉ2 ,… ,ｙｉｎｉ)ｓｔａｎｄｆｏｒｔｈｅｄｅｃｉｓｉｏｎｖａｒｉａｂｌｅｏｆｔｈｅｕｐｐｅｒ …     

基于Rough集理论的同类人员综合评判模型及其简化

基于 Rough集理论 ,通过建立同类人员评判模型 ,利用此模型及其简化模型的算法 ,探索以可达到高效率评判各类人员中同类人员为目的的技术和方法 ,并以实例加以说明.     

粗集在决策树优化中的应用

决策树是一种重要的数据开采方法,但构造最优决策树是一个NP困难问题,分析了以往决策树构造方法的不足,并从决策树最优化的观点详细研究了决策树构造过程中的几个重要问题,为防止决策树过细的分支,引入粗糙集中分辨的概念用于符号值属性的分划,并选择遗传算法优化求解,有关连续属性的处理,也给出了类似符号值属性分化的近似最小离散方法,在测试生成过程中还讨论了事例推理接口,基于上述分析,提出了决策树优化算法,这种算法从树的规模和分类精度都优于许多决策树算法。