一种人工蜂群算法优化的邻域粗糙集特征选择方法

在邻域粗糙集模型中,由于计算邻域及正域的工作量较大,因此,对邻域决策表进行特征选择或降维具有较高的时间复杂度。特别是随着邻域决策表维数的增多,计算工作量呈指数级增加。针对此类问题,引入人工蜂群算法进行优化。首先,给出了一种邻域粗糙集分辨矩阵特征重要性度量方法;其次,以邻域分辨矩阵特征重要度为启发因子构造了适应度函数,新的适应度函数增加了启发信息;最后,设计了一种人工蜂群算法优化的特征选择算法。UCI数据集对比实验结果与分析表明,与原有的邻域特征选择算法相比,新算法减少了迭代次数,加快了收敛速度,并且能够有效寻找到最小特征子集。

结合分辨矩阵与蚁群优化算法改进的特征选择方法

目前已有蚁群算法优化的特征选择方法,大多采用的是以属性依赖度和信息熵属性重要度作为路径上启发搜索因子,但这类搜索方法在某些决策表中存在算法早熟或搜索到的特征子集包含了冗余特征,从而导致选择精度显著下降。针对此类问题,根据条件属性在分辨矩阵中的占比提出了一种属性重要度的度量方法,以分辨矩阵重要度作为路径上启发因子,设计了一种基于分辨矩阵与蚁群算法优化的特征子集搜索方法。该算法从特征核出发,蚁群依次选择概率大的特征加入特征核集,直至找到最小特征子集算法终止。通过实例验证和UCI数据集实验结果表明,与基于属性依赖度和信息熵属性重要度的特征选择方法相比,在通常情况下,该算法能较小代价找到最小特征子集,并且可以有效减少计算工作量。

结合分辨矩阵改进的邻域粗糙集属性约简算法

针对基于邻域粗糙集属性重要度约简算法在某些决策表中约简正确率下降等问题,结合基于等价关系下的分辨矩阵知识,定义一种邻域决策系统下的分辨矩阵,邻域分辨矩阵由能够分辨不同邻域对象的条件属性子集组成。根据条件属性在邻域分辨矩阵中的占比提出一种属性重要度的度量方法,以新的重要度作为启发性因子,设计一种邻域决策系统下属性重要度启发性约简算法。该算法以核属性集作为初始集合,依次选择重要度大的属性加入到核集,直至找到最小属性约简时,算法终止。实例分析和UCI数据集试验结果表明,与基于属性依赖度的约简算法相比,该算法能够更有效地找到最小属性约简集,并且可以有效减少计算工作量,证明了算法的有效性和可实用性。