基于改進啟發(fā)式遺傳算法的屬性約簡方法.pdf

1、粗糙集理論是在上世紀八十年代由波蘭數(shù)學家Pawlak提出的一種處理模糊和不確定問題的數(shù)學理論。它能夠分析出隱藏在數(shù)據(jù)中的事實，而且不需要提供任何關(guān)于數(shù)據(jù)的附加信息。粗糙集理論已經(jīng)在許多領(lǐng)域獲得了成功的應用，例如知識發(fā)現(xiàn)、模式識別、決策分析、機器學習等領(lǐng)域。 信息系統(tǒng)的屬性約簡是粗糙集理論的核心內(nèi)容之一。尋找信息系統(tǒng)的最優(yōu)約簡或全部約簡是NP-Hard問題，而基于屬性重要性的啟發(fā)式算法能夠相對快速地計算出信息系統(tǒng)的約簡。

2、為了獲得決策系統(tǒng)中屬性的極小相對約簡，本文將決策表中相對于每個條件屬性的集合和劃分的粗糙逼近精度作為衡量屬性重要程度的準則，并以此作為啟發(fā)式信息引入遺傳算法，提出了一種在優(yōu)化初始種群的基礎上提高算法性能的啟發(fā)式遺傳算法。通過構(gòu)造一個修正算子并將其引入啟發(fā)式信息，以保證被選擇的屬性子集的分類能力不變。該算子利用啟發(fā)式信息的局部搜索技術(shù)，使得算法既保持了整體的優(yōu)化特性，又具有較快的收斂速度。最后的實例證明，該算法能有效地對決策系統(tǒng)進行約簡。