基于粒子群的不完备决策表属性约简PSOIDTAR法

计算机工程与应用 ›› 2008, Vol. 44 ›› Issue (14): 149-151.

• 数据库、信号与信息处理 • 上一篇下一篇

基于粒子群的不完备决策表属性约简PSOIDTAR法

曾正良¹,罗可¹,王莹²

1.长沙理工大学计算机与通信工程学院，长沙 410076
2.湖南师范大学数学与计算机科学学院，长沙 410081

收稿日期:2007-11-08 修回日期:2008-02-27 出版日期:2008-05-11 发布日期:2008-05-11
通讯作者: 曾正良

PSOIDTAR method based on particle swarm optimization for attribution under incomplete decision-making table

ZENG Zheng-liang¹,LUO Ke¹,WANG Ying²

1.Institute of Computer and Communication Engineering，Changsha University of Science and Technology，Changsha 410076,China
2.Institute of Mathematics and Computer Science，Hunan Normal University,Changsha 410081,China

Received:2007-11-08 Revised:2008-02-27 Online:2008-05-11 Published:2008-05-11
Contact: ZENG Zheng-liang

摘要/Abstract

摘要： 属性约简是粗糙集理论的一个核心部分。由于经典的粗糙集模型对不完备信息系统不适应，通过把属性约简问题归结为0-1组合优化问题，提出了一种应用二进制粒子群算法来求解属性约简的方法。通过引入近似分类精度和近似分类质量，为获得最小约简确定了有效合理的粒子适应度函数。仿真实验结果表明该算法能得到最小相对约简，且具有较高的运算效率。

关键词: 粗糙集, 不完备决策表, 粒子群算法, 属性约简, PSOIDTAR

Abstract: Attribution reduction is the core of the rough set theory.Because the theory of the classical rough set can’t apply to the incomplete decision-making table,the paper proposes a rough set attribute reduction algorithm based on the binary Particle Swarm Optimization(PSO),taking the attribution reduction to a part of the 0-1 combination optimization problem.The paper imports approximate classified precision and the approximate classified quality,and makes an efficient particle adaptive function in order to get a best reduction.Finally,experimental results show the algorithm can find the minimal relative reduction,and it is fast and effective.

Key words: rough set, incomplete decisionmaking table, Particle Swarm Optimization(PSO), attribute reduction, PSOIDTAR

曾正良¹,罗可¹,王莹². 基于粒子群的不完备决策表属性约简PSOIDTAR法[J]. 计算机工程与应用, 2008, 44(14): 149-151.

ZENG Zheng-liang¹,LUO Ke¹,WANG Ying². PSOIDTAR method based on particle swarm optimization for attribution under incomplete decision-making table[J]. Computer Engineering and Applications, 2008, 44(14): 149-151.

[1]	史春天，曾艳阳，侯守明. 群体智能算法在图像分割中的应用综述[J]. 计算机工程与应用, 2021, 57(8): 36-47.
[2]	李静星，杨有龙. 针对高维数据的马尔科夫毯特征选择[J]. 计算机工程与应用, 2021, 57(6): 58-66.
[3]	朱佳莹，高茂庭. 融合粒子群与改进蚁群算法的AUV路径规划算法[J]. 计算机工程与应用, 2021, 57(6): 267-273.
[4]	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.
[5]	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.
[6]	王嘉月，史立. 考虑电池损耗的电动冷藏车路径及充电策略[J]. 计算机工程与应用, 2021, 57(24): 283-289.
[7]	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.
[8]	林炜星，王宇嘉，陈万芬，梁海娜. 基于多因子粒子群的高维数据特征选择算法[J]. 计算机工程与应用, 2021, 57(22): 199-207.
[9]	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.
[10]	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.
[11]	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.
[12]	于国龙，赵勇，吴恋，崔忠伟. QPSO算法的改进及其在DBN参数优化中应用[J]. 计算机工程与应用, 2021, 57(10): 154-162.
[13]	周蓉，李俊，王浩. 基于灰狼优化的反向学习粒子群算法[J]. 计算机工程与应用, 2020, 56(7): 48-56.
[14]	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.
[15]	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.

基于粒子群的不完备决策表属性约简PSOIDTAR法

PSOIDTAR method based on particle swarm optimization for attribution under incomplete decision-making table

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