基于啟發(fā)式遺傳算法的變精度粗糙集屬性約簡方法.pdf

1、粗糙集理論是繼概率論、模糊集理論、證據(jù)理論之后的又一個處理含糊性和不確定性的數(shù)學工具；同時粗糙集理論的核心問題是等價分類，并且要求分類是完全確定的，而實際的數(shù)據(jù)集往往都受到一定的噪聲干擾且數(shù)據(jù)不一定完整，這就會影響對數(shù)據(jù)集的等價分類，因此Ziarko在粗糙集模型的基礎(chǔ)上引入了錯誤分類率參數(shù)β，將粗糙集模型擴展成變精度粗糙集模型以解決這一問題。變精度粗糙集能很有效地處理噪聲數(shù)據(jù)，實現(xiàn)整體上較優(yōu)的信息處理能力。
　　 屬性約簡是粗糙

2、集理論中一個重要的研究課題，在知識獲取、機器學習、模式識別、決策分析、模型建立等實際應(yīng)用中具有重要的意義。粗糙集屬性約簡算法有很多，而且對屬性約簡的研究也一直在進行，但是從條件屬性的所有組合中找出所有約簡的屬性集被科學家證明是個NP難題，而高效的約簡算法是粗糙集應(yīng)用于知識發(fā)現(xiàn)的基礎(chǔ)。因此，尋求快速有效的約簡算法仍是粗糙集理論的主要研究課題之一。
　　 基于變精度粗糙集理論的約簡能夠使系統(tǒng)在泛化能力、容錯性、噪聲抑制方面都有很好的

3、性能，但該算法對于大數(shù)據(jù)量的搜索需要的時間和空間代價都很高；而遺傳算法具有通用、并行、穩(wěn)健、簡單及全局優(yōu)化能力強等優(yōu)點，特別適用于復雜、困難的全局優(yōu)化問題。因此，本文作為江蘇省高校自然科學基金(05Km520048)項目“基于變精度粗糙集理論的故障診斷方法研究”的一部分，在分析了現(xiàn)有的屬性約簡方法基礎(chǔ)上，吸收傳統(tǒng)算法的優(yōu)點，基于遺傳算法和變精度粗糙集理論，在β下近似約簡概念的基礎(chǔ)上，將由屬性對分類的影響程度和β近似精度共同定義的屬性重要

4、性度量作為啟發(fā)式信息引入遺傳算法，提出了一種新的變精度粗糙集下的屬性約簡方法，即基于啟發(fā)式遺傳算法的變精度粗糙集屬性約簡方法。該方法在當決策系統(tǒng)有多個最小約簡時，能得到盡可能多的最小約簡。
　　 另外，為了解決遺傳算法收斂速度不快的缺點，本文對遺傳算法的選擇、交叉、變異三個算子進行了改進；同時對于遺傳算法的局部尋優(yōu)能力較差、所產(chǎn)生的最優(yōu)解一般精度不高的缺點，本文使用一個修正算子來對種群進行修復，從而使算法總在可行解空間中搜索，保