TA的每日心情 | 开心
2020-9-8 15:12 |
|---|
签到天数: 2 天 [LV.1]初来乍到
|
EDA365欢迎您登录！
您需要 登录 才可以下载或查看，没有帐号？注册
x
摘 要： 粗糙集理论中的最小属性约简（ＭＡＲ）问题是一个 ＮＰ难的非线性约束组合优化问题．本文提出一个新 的求解 ＭＡＲ问题的组合蜂群算法，其中，引领蜂、跟随蜂和侦察蜂采用基于变异运算的搜索模式，在邻域候选蜜源的 生成中引入与属性子集相关的两个度量，并且跟随蜂采用与引领蜂不同的局部搜索策略以提高搜索多样性．此外，在 本文算法中，角色分工不同的蜂群以不同的方式利用迄今最好蜜源的信息进行搜索．在若干 ＵＣＩ数据集上的实验及其 统计检验结果表明，本文算法在求解质量上优于其他的元启发式属性约简算法，因而可有效地应用于最小属性约简问 题的求解． - @- `% {: v3 _+ f
7 I5 @, h' z* {% L: A4 F; ]8 r
关键词： 组合人工蜂群算法；最小属性约简；粗糙集；元启发式方法；局部搜索模式
. V) S: h0 @! i b; }. h# q) b5 s9 F3 R, s5 L
) r# q8 c# ^2 m& c6 i
$ ]2 }. _& l" w; y& W 作为特征选择的一个有效方法，粗糙集理论中的属 性约简及其算法得到了广泛的研究［１～６］．为了获得最精 简的特征集，需要计算决策表的最小属性约简．因 ｚ而， 最小属性约简问题（简称 ＭＡＲ问题）被证明是一个 ＮＰ 难的组合优化问题［７］，现有的贪心型属性约简算法一般 难以找到最小属性约简．因而，人们寻求基于元启发式 方法的最小属性约简算法，例如，应用禁忌算法以及遗 传算法、粒子群算法、蚁群算法等群体智能优化算法求 解 ＭＡＲ问题［８～１０］．这些元启发式约简算法取得了较好 的效果，但在实际计算中获得最小属性约简的概率依旧 偏低，求解质量有待进一步提高［１１］．因此，有必要研究 新的并且更有效的元启发式属性约简算法．
, ?4 W; P, k& C* } _0 ^) b! y1 z A. K* A2 T3 P8 ^
% P, O) C% K! T+ f
附件下载：
% J+ Q" u9 U9 T5 y. B6 W! z8 i* q |
|
/1 
发表于 2021-2-19 11:02
收藏
淘帖
支持！
反对！