基于局部邻域模型的自适应CS算法

CS算法完全依赖于随机步长,无法保证其快速收敛性。本文首先将Lévy飞行步长设置为随算法收敛而减小的变量以增强算法后期的局部搜索能力;其次引入局部邻域模型以更好地利用当前种群中优秀个体的信息,加快算法收敛速度;最后为避免算法陷入局部最优,在每次迭代结束时对当前种群进行自适应性变异操作。仿真结果表明,改进后的算法具有较快的收敛速度和较高的收敛精度。

基于合理粒度的局部邻域决策粗糙计算方法

信息粒度和近似方法是粗糙集理论进行数据描述的两个关键.现实中数据分布情况复杂多变,现有的模型缺乏对不同数据区域进行区分的能力,且易受到异常数据的干扰,导致最终分类决策的失误.为此提出基于合理粒度的局部邻域决策粗糙集模型.首先,根据邻域中对象的个数和类别识别一些极端情况(例如离群点和标签噪声点),分别给出不同分布情况下数据点的粗糙隶属度;其次,为已识别的标签噪声数据提供一组伪标记,用伪标记对原始标签进行修正;最后引入合理粒度准则,构造由信息覆盖性函数和特殊性函数融合的新的评估标准,并通过粒子群优化算法对其进行优化,得到最佳邻域半径.实验结果表明,该方法为复杂数据处理提供了一种有效的解决方案.