下载文档原格式
一种基于蚁群优化的粗糙集属性约简方法
孙涛;蒋科艺;王永华;马力
【期刊名称】《海军航空工程学院学报》
【年(卷),期】2011(026)001
【摘要】针对基于智能优化算法的属性约简方法存在的问题,在扩张矩阵概念的基础上,将属性约简问题转化为几何路径寻优问题,通过改进最大-最小蚂蚁系统(MMAS)算法,提出了一种基于蚁群优化的粗糙集属性约简方法,给出了相关参数的定义和详细算法流程,在UCI数据集上测试了该算法,结果表明了算法的有效性.【总页数】5页(P96-100)
【作者】孙涛;蒋科艺;王永华;马力
【作者单位】海军航空工程学院飞行器工程系,山东,烟台,264001;海军航空工程学院飞行器工程系,山东,烟台,264001;海军航空工程学院飞行器工程系,山东,烟
台,264001;海军驻沈阳地区军事代表室,沈阳,110015
【正文语种】中文
【中图分类】TP183
【相关文献】
1.一种基于灰色变精度粗糙集的属性约简方法及其应用 [J], 宋李俊;周怡伶;谷和平
2.基于邻域粗糙集和蚁群优化的属性约简算法 [J], 张冬雯;王鹏;仇计清
3.一种基于灰色变精度粗糙集的属性约简方法及其应用 [J], 宋李俊;周怡伶;谷和平;
4.利用蚁群优化算法的粗糙集属性约简方法 [J], 吴尚智;张文超;余志用;张霞;段超
5.基于决策理论粗糙集的一种新属性约简方法 [J], 姚晟;吴照玉;陈菊;王维
因版权原因，仅展示原文概要，查看原文内容请购买。
一种基于Rough集的属性值约简算法
胡斐;张峰筠;刘少辉
【期刊名称】《计算机工程与应用》
【年(卷),期】2003(039)031
【摘要】文章将Rough集理论应用于不同类型的决策表(一致决策表和不一致决策表)的约简,给出了广义决策、决策规则的一致程度、属性值重要性等定义,在此基础上提出了一种基于Rough集的属性值约简算法.该算法不仅能得到更为简洁的决策规则,而且能保持决策规则的一致程度不变.实例分析表明该算法是可行的.
【总页数】4页(P48-51)
【作者】胡斐;张峰筠;刘少辉
【作者单位】上海体育学院体育管理系,上海,200438;上海体育学院体育管理系,上海,200438;中国科学院计算技术研究所智能信息处理重点实验室,北京,100080【正文语种】中文
【中图分类】TP18
【相关文献】
1.一种基于聚类划分的并行粗糙集属性值约简算法 [J], 陈燕云;肖坤楠;邱建林
2.一种新的基于属性重要性的粗糙集值约简算法 [J], 刘甲伟;栾爽
3.基于Rough Set理论的一种属性值约简算法 [J], 马凌;蒋外文;王加阳
4.基于粗糙集的一种属性值约简算法及其应用 [J], 吴尚智
5.基于属性值重要性的Rough集值约简算法 [J], 宋旭东;朱伟红;宁涛
因版权原因，仅展示原文概要，查看原文内容请购买。
基于蚁群算法的属性约简方法朱元凯;陈涛;陈亮【摘要】在粗糙集理论中属性约简是个NP—hard问题，已有的方法都有不同的局限性．由蚁群算法的启发，通过粗糙集将条件属性集映射到有向图结构，并采用蚁群协作共同完成求解，提出了属性约简的蚁群算法．%Attribute reduction in rough sets theory is a kind of NP - hard problem. The existing methods for solving this problem have limits. By the construction of the graph expressing the combination of condition sets, a new approach to attribute reduction based【期刊名称】《泰山学院学报》【年(卷),期】2011(000)003【总页数】4页(P35-38)【关键词】蚁群算法;粗糙集;属性约简【作者】朱元凯;陈涛;陈亮【作者单位】泰山职业技术学院信息工程系,山东泰安271000;泰山学院数学与系统科学学院,山东泰安271021;泰山职业技术学院信息工程系,山东泰安271000【正文语种】中文【中图分类】TP311粗糙集理论是分析不完整、不精确甚至是不一致信息系统的有力工具.知识约简是粗糙集理论研究中的核心问题，现在已经证明了粗糙集寻找最小属性集是一个NP 难问题，这是由属性组合爆炸问题造成的.近年来，由意大利学者Dorie M等提出来的蚁群系统(Ant System)与蚁群算法(Ant Colony Algorithm)，是一种通用的启发式算法，主要模拟自然界蚂蚁觅食，通过在路径上信息素的传递，最终发现一条最短路径的过程.它的主要特征是采用正反馈机制、具有较强的鲁棒性和适于并行处理.本文结合粗糙集相对核的概念和蚁群算法提出了一种新的属性约简方法，既能充分利用蚁群算法的并行优化处理能力，也能解决初期信息素匮乏造成的速度慢的问题.1 属性两两间的依赖度属性的重要性的定义及形式为:令Ø⊂X⊆U，Ø⊂Y⊆U，U/Y≠δ={U}，给定x∈X 在X中的重要性为当X只有一个元素x时，x在X中重要性(相对于Y)为由于|SX(Y)|/|U|就是Y关于X的支持度，记为sptx(Y).可得结论:sptx(Y)越高，X 相对于Y也就越重要，X也就越有可能属于核.2 有向图的构造根据1中的属性间的依赖关系确定有向图中各结点间的连接关系，其中一个结点对应一个属性.构造步骤如下:(1)选取第一个结点j={i|max(sigX(i))且min(sigi(x))，x∈A(所有的属性)};(2)作两条有向边＜j，i1＞和＜j，i2＞，i1和i2={i|min(sigX(i))，x∈A(所有的属性)};(3)选取下一个结点j={i|max(sigX(i))∧min(sigi(x))，x∈A'(未被选过的点或属性)};(4)作两条有向边＜j，i1＞，＜j，i2＞，i1，i2={i|min(sigX(i))∧x的入度≤b，x∈A(未被选过的点)}.其中，b为预先设定的量大入度数;(5)重复(3)和(4)，直到所有的结点都已经选取;(6)做起始结点s，选取入度小于2(或相对其它所有属性依赖度较低的)结点k，作有向边＜s，k＞，如此作两条边;(7)做终点e，选取出度小于2(或其它所有属性与之相对依赖度较低的)结点作k，作有向边＜k，e＞，如此作两条边.3 有向图的各结点的信息量初始值在以上构造的有向图中选取任意一个中间结点Ⅰ，其信息量的初值=n1+n2，其中: n1=|{j|sigx(I)＞a，a为预先设定的最小依赖度}|，n2=|{j|sigI(x)＜b，b为预先设定的最大依赖度}|，其它结点的信息量初值类似计算.4 确定目标函数根据最小约简的要求，约简的性能主要取决于两个方面:所含条件属性的个数和决策属性对其依赖度.对某一属性子集，其含属性个数越少，决策属性对其依赖度越大，则最有可能成为最小约简［2］.构造目标函数如下:该函数由两部分组成:第一部分，其中|U|表示论域的长度，card(x)表示个体x中1的个数，即x中所含条件属性的个数，其含义为不包含在个体x中的属性所占的比率，如果x中属性的个数越少，f(x)的值就会越大［3］，目的是希望x中所含条件属性的个数尽可能的小;第二部分spt(x)表示x的支持度，即个体x中所含的条件属性对决策属性的支持度［4］，目的是希望x中所含条件属性对决策属性的支持度尽可能的大.5 算法描述(1)设定蚂蚁的总数为m，循环次数为t，各结点的信息量(激素)浓度由3中的方法确定，△τij=0，全部蚂蚁放入结点S，pathk={蚂蚁k经过的结点}.(2)取新蚂蚁k，path=Ø.(3)计算蚂蚁k从当前结点i转移到下一结点j，概率如公式计算，如果概率相同时选择一个信息量最大的结点.其中:ηij=1/dij为路径＜i，j＞的可见度:α和β分别表征信息素的迹和路线可见度的相对重要程度，α，β≥0，经过实验α、β在区间［1，5］［5］取值效果较好.(4)把j存入pathk，如果所有属性全部选取或已经达到结点e，转下一步;否则转(3).(5)计算目标函数，如果较前次的好，则记录下来.(6)按以下公式的调整各结点的信息量(激素)值:在蚂蚁k经过的路径上(7)如果所有蚂蚁路径已经相同，则输出路径后结束;否则转(2).6 实例应用在信息系统中属性算法的研究中，选取典型的一组数据组成IS信息系统(如表1)，分别应用经典的属性约简算法、基于蚁群算法的属性约简算法，实验过程结果如下: 表1 信息系统ISIS a b c d e 1 0 1 2 0 1 2 1 2 0 0 3 1 0 1 1 2 4 2 1 0 1 5 1 1 0 2 0对表1采用属性约简的定义算法计算方法处理，得到表1的核Core(IS)={b}和一个约简RED= {a，b}.实验2使用基于蚁群算法的属性约简算法计算信息系统的核和约简集.实验3增加属性，再使用基于蚁群算法的属性约简算法计算信息系统的核和约简集.实例分析:(1)实验1与实验2的结果约简核和约简集一致，经过对新增属性的信息系统采用以上两种算法计算(即实验3)，约简核和约简集仍一致.(2)实验2所用时间实验有明显提高，实验3所用时间(即增加属性后)比实验2增加不明显.7 实验分析为了测试基于蚁群算法的属性约简算法的性能，选择典型的测试函数对基于蚁群算法的属性约简算法、属性基本定义算法和基于遗传算法属性约简算法的进行测试. 三种算法参数设置相同:属性共200个，表共20个，每表记录数平均为1万条.各测试函数变量维数为50，三种算法中的局部迭代次数为100，全局迭代次数为5000.当精度达到0.0001时，算法将停止迭代。
基于蚁群算法和粗糙集方法的图像聚类分析研究艾凌云【摘要】Aim To solve the classification and performance problems of image recognition, a clustering analysis method is proposed for image clustering by combining the rough set theory and the ant colony algorithm. Methods First of all, the total samples were numbered and corresponding digital features were extracted. Then they were clustered by using the ant colony algorithm. Finally, the performance of the clustering was evaluated by using the principle of the positive domain of rough set theory. Results Compared with the method based on GA, the proposed method can reach better clustering performance. Conclusion The advantages of ant colony algorithm in optimization ability and rough set in dealing with information, are greatly helpful for realizing effective clustering analysis of digital images.%目的为了解决图像识别中类别划分及划分性能问题,提出基于粗糙集和蚁群优化方法相融合的图像聚类分析方法.方法先对所有样本进行编号并提取数字特征后,采用蚁群优化方法进行数字聚类,最后采用基于粗糙集理论的正域关系进行聚类结果评价.结果与遗传算法实验比较,所提出的方法能获得更理想的聚类结果.结论利用蚁群算法的寻优能力和粗糙集的不确定信息评价的优势,对数字图像进行聚类分析是有效的.【期刊名称】《西北大学学报（自然科学版）》【年(卷),期】2011(041)005【总页数】5页(P808-812)【关键词】蚁群算法;粗糙集;特征提取;聚类分析;数字图像识别【作者】艾凌云【作者单位】永州市职业技术学院,湖南永州425006【正文语种】中文【中图分类】TP301随着网络技术和数据存储技术的迅速发展，各个机构组织积累了大量的数据。
测控区和非测控区并存的配电网故障定位实用方法城市配网中有很多10kV线路还未进行配电网自动化的改造，导致配电网还不能完全实现测控一体化。
针对配电网中测控区和非测控区同时存在的问题，本文结合基于蚁群算法的故障定位方法和非测控区的配电网故障定位方法，提出了一种测控区和非测控区并存的配电网故障定位实用方法，该方法能够准确判断故障位置，大大减少了故障停电时间和停电范围，有利于配电网的供电稳定。
标签：测控区；非测控区；故障定位；蚁群算法；粗糙集理论0 引言在大型配电网中，主馈线上一般装设带测控设备，但是某些支线上可能装设有测控设备，而某些线路暂时还未装设有测控设备。
特别是在具有大农村特点的城市配网中有很多10kV农网线路还未进行配电网自动化的改造，由于测控设备的缺失等原因，仅能利用停电后用户打来的故障投诉电话信息实现配电网故障定位。
针对配电网中测控区和非测控区同时存在的问题，本文结合基于蚁群算法的故障定位方法和非测控区的配电网故障定位方法，提出了一种测控区和非测控区并存的配电网故障定位实用方法，该方法能够准确判断故障位置，大大减少了故障停电时间和停电范围，有利于配电网的供电稳定。
1 测控区与非测控区的基本概念如前所述，城市配网中有很多10kV线路还未进行配电网自动化的改造，导致配电网还不能完全实现测控一体化。
为此，根据线路是否装有测控设备，本文提出将配电网分为测控区与非测控区。
测控区的故障信息主要是使用的自动化信息主要有SCADA系统和配电网终端设备。
配电网的终端设备主要包括配电柱上开关监控终端FTU，配电变压器监测终端TTU，开闭站、公用及用户配电所的监控终端DTU，配电子站远程终端单元RTU。
然而，在配电网非测控区中，使用信息主要是用户故障投诉电话。
这种方法不需要专门的设备，而只需要用户打来的故障投诉电话信息就能判断出故障的大致位置。
随着电话在我国的广泛普及，这种方法将有很大的前景。
目前，很多供电企业都组建了自己的电话报修系统，不但可以解答对停电原因和恢复供电时间等问题，建立电力部门和用户之间的良好关系，而且可利用故障投诉电话方便地获取主叫电话或用户代码，得到该用户与变压器的连接关系。
基于改进蚁群算法的复杂问题优化研究随着科技的不断发展，越来越多的问题需要计算机进行优化，而蚁群算法是优化问题的一种有效的方式。
但是传统的蚁群算法存在一些不足，如收敛速度慢、易陷入局部最优解等问题，因此对蚁群算法进行改进，提高其适用范围和效率，就成为了当前研究的重点。
本文将探讨基于改进蚁群算法的复杂问题优化研究的现状、发展趋势及应用前景。
一、蚁群算法的概述蚁群算法，英文名为Ant colony optimization (ACO)，是一种基于自然现象仿生的优化算法。
蚁群算法最初是模拟蚂蚁寻找食物的过程，蚂蚁在寻找食物的过程中会释放一种称为信息素的物质，这种信息素具有一定的吸引力和挥发性，其他蚂蚁通过嗅觉感知这种信息素，从而找到食物。
而蚁群算法则是将这种现象转化为优化问题的求解过程。
蚂蚁释放信息素等价于在图中进行路径搜索，而蚁群算法则是利用信息素的强度来调整蚂蚁选择路径的概率，通过多次迭代产生更优的路径。
二、蚁群算法存在的问题虽然蚁群算法在优化问题上取得了可喜的成果，但是仍然存在一些问题：1. 收敛速度慢：由于信息素的强度需要迭代更新，且更新速度较慢，因此收敛速度相对较慢。
2. 易陷入局部最优解：尤其是在搜索空间较大且存在多个局部最优解的情况下，蚁群算法容易陷入局部最优解，从而得不到全局最优解。
3. 参数设置困难：蚁群算法存在多个参数，如信息素浓度、信息素挥发速度等，不同参数的设置对算法优化结果的影响较大，因此参数设置困难。
三、蚁群算法的改进针对蚁群算法存在的问题，学者们进行了不断的研究和改进，主要包括以下方面：1. 基于启发式的信息素更新策略：通过引入启发式信息来更新信息素，来加快蚁群算法的收敛速度和优化效果。
例如，利用目标函数值、距离等启发式信息来规定信息素的更新策略。
2. 多目标蚁群算法：针对多目标优化问题，基于单目标蚁群算法的多目标拓展算法。
例如，非支配排序蚁群算法 (NSGA) 可以同时优化多个目标函数。
基于邻域粗糙集和蚁群优化的属性约简算法张冬雯;王鹏;仇计清【摘要】This paper analyses the weakness of setting a single, specified threshold for the size of neighborhood, and then puts forward a new neighborhood setting method based on the standard deviation of feature data. The paper introduces ant colong opbimization (ACO) into feature selection and proposes an approved feature selection algorithm based on NRS and ACO, in which the feature importance is taken as the heuristic information. In order to evaluate the performance of the proposed algorithm , four datasets from UCI are used and the experimental results show that the proposed algorithm has a better performance in classification accuracy of reduct and feature number in reduct.%在分析单一、给定的邻域大小设定方法弊端的基础上,提出了基于属性数据标准差的阁值设定方法,并将蚁群优化算法引入到属性约简中,以属性重要度为启发信息,构造了基于邻域粗糙集和蚁群优化的属性约简算法,使用了4个UCI数据集进行约简.实验结果表明,提出的算法在约简的分类精度和约简中属性个数方面具有更好的性能.【期刊名称】《河北科技大学学报》【年(卷),期】2011(032)005【总页数】6页(P403-408)【关键词】邻域粗糙集;蚁群优化;属性约简;标准差【作者】张冬雯;王鹏;仇计清【作者单位】河北科技大学理学院,河北石家庄050018;河北科技大学信息科学与工程学院,河北石家庄050018;河北科技大学理学院,河北石家庄050018【正文语种】中文【中图分类】O231属性约简的目的是在不降低预测分类精度的前提下对数据的属性集合进行约简，摒弃冗余的属性，从而降低对数据处理时的时间和空间复杂度［1］。
基于可拓蚁群算法的粗糙集属性约简方法
赵素娟
【期刊名称】《现代计算机（专业版）》
【年(卷),期】2011(000)012
【摘要】蚁群算法是一种模拟进化算法，它有很多优点，且成功地解决了许多复杂的组合优化问题，然而它并不完美。
受可拓学中关联函数的启发，提出基于关联函数的状态转换规则和局部信息素更新规则，并将其用于粗糙集的属性约简。
实验结果证明该算法是有效的。
%Ant colony algorithm is a simulate, evolutionary algorithm, which shows many excellent characters and has succeeded in solving many difficult combinatorial optimization problems. However, it is not perfect now. Inspired by dependent function of extension
【总页数】3页(P6-8)
【作者】赵素娟
【作者单位】北京理工大学珠海学院管理与经济学院,珠海519085
【正文语种】中文
【中图分类】TP301.6
【相关文献】
1.基于蚁群算法的粗糙集属性约简方法 [J], 王杨
2.基于蚁群算法的属性约简方法 [J], 朱元凯;陈涛;陈亮
3.基于自适应蚁群算法的粗糙集属性约简 [J], 姚跃华;洪杉
4.基于量子蚁群算法的粗糙集属性约简方法 [J], 袁浩
5.基于Rough集和蚁群算法的属性约简方法 [J], 贾修一;于绍越;商琳;陈世福因版权原因，仅展示原文概要，查看原文内容请购买。
粗糙集与蚁群算法在智能模糊PID控制器及数据约简中的应用的开题报告一、选题背景及意义随着工业自动化水平的不断提高，越来越多的工业生产过程需要使用智能控制器进行控制。
智能控制器的性能直接关系到生产效率和质量，是工业生产中不可或缺的重要设备。
目前，智能控制器主要使用PID控制算法进行控制。
但是，传统的PID控制器存在着一些问题，如不适应非线性系统、参数难以调节等。
为了解决这些问题，近年来，智能模糊PID控制器及数据约简技术逐渐应用于控制系统中。
其中，粗糙集理论是一种能够发现不确定性知识的新的数学工具，蚁群算法则是一种新型的优化算法，两者结合起来可以克服传统PID控制器存在的一些问题，提高控制系统的性能。
二、研究目的和内容本文研究目的是探讨粗糙集理论和蚁群算法在智能模糊PID控制器及数据约简中的应用，以期能够提高控制系统的性能。
具体研究内容包括以下几个方面：1. 粗糙集理论的介绍及在数据约简中的应用；2. 蚁群算法的介绍及在控制系统中的应用；3. 智能模糊PID控制器的原理及其应用场景；4. 将粗糙集理论和蚁群算法应用于智能模糊PID控制器中，提高控制系统性能的实现方法；5. 利用MATLAB等工具进行实验，验证该方法的可行性和有效性。
三、研究重点和难点本文的研究重点是探索粗糙集理论和蚁群算法在智能模糊PID控制器及数据约简中的应用，并将其应用于实际控制系统中。
具体难点包括：1. 如何将粗糙集理论和蚁群算法与智能模糊PID控制器相结合，提高控制系统性能；2. 如何通过数据约简技术，降低维度并提高控制系统性能；3. 如何选择合适的实验平台，进行实验验证并分析实验结果。
四、研究方法本文将采用文献资料法、数学建模法、实验验证法等研究方法。
具体步骤包括：1. 收集相关文献、期刊、会议论文等资料，了解智能模糊PID控制器及数据约简相关知识和应用情况；2. 分析和比对粗糙集理论和蚁群算法在控制系统和数据约简中的应用，提取其核心理论和方法；3. 根据所研究的智能模糊PID控制器及数据约简的应用场景，结合粗糙集理论和蚁群算法，建立数学模型，并进行仿真实验；4. 通过实验验证和数据分析，评估本文所提出的方法的可行性和效果。
