基于PSO的粗糙集屬性約簡(jiǎn)算法研究.pdf

1、粗糙集理論的提出為處理不確定、不完整的信息提供了有力的數(shù)學(xué)工具。最小屬性約簡(jiǎn)是粗糙集理論中的一個(gè)重要內(nèi)容，它是消除數(shù)據(jù)中冗余信息、得出最簡(jiǎn)規(guī)則所必須的步驟。但屬性最小約簡(jiǎn)的求解是一個(gè)NP難問題，傳統(tǒng)約簡(jiǎn)算法較適于處理低維度小數(shù)據(jù)量的最小屬性約簡(jiǎn)問題，隨著屬性個(gè)數(shù)的增加，它的計(jì)算復(fù)雜度呈指數(shù)級(jí)的增長(zhǎng)。因此，有不少的改進(jìn)算法相繼提出，這些改進(jìn)算法一部分為貪婪算法，在解空間相當(dāng)復(fù)雜時(shí)，容易陷入局部最優(yōu)解;另一部分則為啟發(fā)式搜索算法，即使是擅長(zhǎng)

2、全局搜索的遺傳約簡(jiǎn)算法，不容小視的全局搜索量和易于出現(xiàn)的早熟現(xiàn)象，也促使我們重新尋找一種快速、有效的屬性約簡(jiǎn)算法來解決當(dāng)前的問題。
　　PSO優(yōu)化算法是一種啟發(fā)式搜索算法，它具備和遺傳算法同樣的全局搜索功能。因?yàn)樗惴ê?jiǎn)單，易于實(shí)現(xiàn)，已被成功應(yīng)用于人工神經(jīng)網(wǎng)絡(luò)的訓(xùn)練方法，在函數(shù)優(yōu)化、約束優(yōu)化、極大極小問題、多目標(biāo)優(yōu)化等問題中均得到了成功的應(yīng)用。
　　PSO算法主要適用于連續(xù)空間函數(shù)的優(yōu)化，如果稍加改變，也可以將PSO算法應(yīng)用于

3、離散空間優(yōu)化問題。本文提出并設(shè)計(jì)了一種基于PSO的粗糙集屬性約簡(jiǎn)算法:通過屬性二進(jìn)制編碼，屬性依賴度定義適值，PSO優(yōu)化運(yùn)算，二進(jìn)制解碼對(duì)應(yīng)屬性來實(shí)現(xiàn)屬性約簡(jiǎn)過程。該算法引入計(jì)算機(jī)高速緩沖思想來減少算法的復(fù)雜度，使用簡(jiǎn)單，有比較好的優(yōu)越性。MATLAB仿真的數(shù)據(jù)結(jié)果表明，該方法可以快速、有效地獲得屬性約簡(jiǎn)，當(dāng)屬性個(gè)數(shù)較多時(shí)，更能體現(xiàn)它的高效性。
　　因此，對(duì)于高維大數(shù)據(jù)量下的最小屬性約簡(jiǎn)求解，與其他算法相比較，標(biāo)準(zhǔn)PSO屬性約簡(jiǎn)算