新型灰狼算法的粗糙集属性约简及应用

doi:10.3778/j.issn.1002-8331.1704-0211

计算机工程与应用 ›› 2017, Vol. 53 ›› Issue (24): 182-186.DOI: 10.3778/j.issn.1002-8331.1704-0211

新型灰狼算法的粗糙集属性约简及应用

白建川1，2，夏克文1，2，牛文佳1，2，武盼盼1，2

1.河北工业大学电子信息工程学院，天津 300401
2.河北工业大学大数据重点实验室，天津 300401

出版日期:2017-12-15 发布日期:2018-01-09

Rough set attribute reduction of novel grey wolf algorithm and its application

BAI Jianchuan1，2, XIA Kewen1，2, NIU Wenjia1，2, WU Panpan1，2

1.School of Electronics and Information Engineering, Hebei University of Technology, Tianjin 300401, China
2.Key Lab of Big Data Computation of Hebei Province, Hebei University of Technology, Tianjin 300401, China

Online:2017-12-15 Published:2018-01-09

摘要/Abstract

摘要： 粗糙集理论是模式识别和机器学习的重要内容，属性约简是粗糙集理论中核心步骤。然而传统的粗糙集理论对数据集进行属性约简，计算复杂度高，容易陷入局部最优解。提出了一种新型灰狼优化算法的粗糙集属性约简技术，可以很好地解决传统粗糙集理论出现的弊端。同时为了验证算法的可行性，采用国际通用UCI数据库进行验证，与两种传统的属性约简方法进行对比分析。实验结果表明，该方法属性约简个数少，识别精度高，证明该方法切实可行，操作简单。

关键词: 粗糙集, 属性约简, 灰狼算法

Abstract: Rough set theory has become an important part of pattern recognition and machine learning, attribute reduction is a core step in rough set theory. However, traditional rough set theory has a high computational complexity and is easy to fall into local optimal solution. In this paper, rough set attribute reduction algorithm of a novel grey wolf algorithm is proposed, which can solve the drawbacks of traditional rough set theory. In order to verify the feasibility of the algorithm, the paper uses the international general UCI database to verify. Then compares it with two traditional attribute reduction methods. The experimental results show that the proposed method has the advantages of less number of attribute reduction and high recognition accuracy. And it is feasible and easy to operate.

Key words: rough set, attribute reduction, grey wolf algorithm

白建川1，2，夏克文1，2，牛文佳1，2，武盼盼1，2. 新型灰狼算法的粗糙集属性约简及应用[J]. 计算机工程与应用, 2017, 53(24): 182-186.

BAI Jianchuan1，2, XIA Kewen1，2, NIU Wenjia1，2, WU Panpan1，2. Rough set attribute reduction of novel grey wolf algorithm and its application[J]. Computer Engineering and Applications, 2017, 53(24): 182-186.

[1]	代琪，李敏，刘洋，李丽红. 模糊层次商空间的快速属性约简算法[J]. 计算机工程与应用, 2021, 57(4): 55-60.
[2]	高天宇，王庆荣，杨磊. 粗糙集属性依赖度强化的应急数据挖掘模型[J]. 计算机工程与应用, 2021, 57(3): 87-93.
[3]	王庆荣，马辰坤. 面向案例消耗推理的应急物资预测[J]. 计算机工程与应用, 2021, 57(22): 281-287.
[4]	张呈玲，李进金，林艺东. 基于OE-概念格的形式背景属性约简[J]. 计算机工程与应用, 2021, 57(15): 82-89.
[5]	刘玉锋，孙文鑫. 一般多粒度量化软粗糙集模型[J]. 计算机工程与应用, 2021, 57(12): 137-143.
[6]	刘桂枝. 维度变化的不完备混合型数据增量式属性约简[J]. 计算机工程与应用, 2021, 57(12): 161-169.
[7]	张博，贾华宇，马珺. RS-GA神经网络无人机受风情况估计[J]. 计算机工程与应用, 2020, 56(4): 209-213.
[8]	牟恩，张贤勇，姚岳松，邓切. 邻域近似条件熵的特定类属性约简及启发算法[J]. 计算机工程与应用, 2020, 56(24): 175-180.
[9]	张建华，李方方，杨岚. 融合PFS与RS的案例知识供需匹配研究[J]. 计算机工程与应用, 2020, 56(23): 139-145.
[10]	骆公志，梅焘. 监督机制多粒度决策粗糙集模型及应用[J]. 计算机工程与应用, 2020, 56(18): 214-220.
[11]	谢旭明，段隆振，邱桃荣，杨幼凤. 改进量子搜索算法及其在核属性求解上的应用[J]. 计算机工程与应用, 2020, 56(14): 57-61.
[12]	李旭，荣梓景，任艳. 带权决策表的属性约简[J]. 计算机工程与应用, 2020, 56(12): 54-59.
[13]	陈盼盼，林梦雷. 基于包含度的单值中智决策信息系统属性约简[J]. 计算机工程与应用, 2020, 56(12): 175-181.
[14]	任俊1，唐绮雯1，徐怡2，胡善忠2. 大学生贫困资助评定的多粒度粗糙集研究[J]. 计算机工程与应用, 2019, 55(7): 82-86.
[15]	邬阳阳，汤建国. 大数据背景下粗糙集属性约简研究进展[J]. 计算机工程与应用, 2019, 55(6): 31-38.

新型灰狼算法的粗糙集属性约简及应用

Rough set attribute reduction of novel grey wolf algorithm and its application

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics