基于GA-PSO的粗糙集属性约简算法*

2015-07-10 01:23:24戴上平刘素军郑素菲
计算机工程与科学 2015年2期

戴上平,刘素军,郑素菲

(华中师范大学计算机学院,湖北 武汉 430079)

1 引言

粗糙集理论[1]是一种新的数学理论,用于处理不准确和不完整的数据。它已被广泛应用在人工智能、知识和数据发现、模式识别和分类、数据分析和其他不精确推理的方面。其通过知识约简导出问题的决策或分类规则来保持稳定的分类能力。在该理论中属性约简是一个核心问题,它是指信息系统在保持能力或知识的归类决定没有改变的同时,删除不重要的或不相关的属性。

遗传算法GA(Genetic-Algorithm)具有隐含并行性、鲁棒性、可扩展性等优点,擅长全局搜索,除了适应度计算外,几乎所有的遗传操作都建立在全局统计处理的基础上。这样使得全局的重复计算量大且易“早熟”。遗传算法在属性约简过程中采用不同的编码方法,会产生不同的问题,从而导致没有根据的积木假设,最终使得属性约简时GA过早收敛难以达到全局最优。粒子群优化PSO(Particle-Swarm-Optimization)算法是一种通过用无质量无体积的粒子作为个体,同时为每个粒子提供简单行为规则使整个粒子群呈现出一定特性,以解决复杂的优化问题的进化计算技术。

在粗糙集属性约简[2]中,GA与PSO在进化过程中均能保留和利用位置的信息,但除此之外,PSO算法还能利用速度(即位置的变化过程)信息,使得PSO比GA收敛于最优解的速度更快。粒子群约简算法过程中,粒子群在迭代时容易陷入到局部极值点中,导致得不到全局最优解,使得最后的约简结果不是最小相对属性集。……

登录APP查看全文