[发明专利]基于人工鱼群与蛙群混合算法的粗糙集属性约简的强对流天气判别方法

说明书

本发明属于数据挖掘，粗糙集，群体智能领域，为有效提升运行效率和后期的收敛速度和搜索精度，实现粗糟集属性约简，本发明，基于人工鱼群与蛙群混合算法的粗糙集属性约简方法，步骤如下：步骤1)使用粗糙集理论中的概念求得决策系统的核属性，并计算其相应的属性依赖度；步骤2)决策系统中的条件属性除核属性外，均使用人工鱼群算法进行属性约简的前期寻优；步骤3取其前1/2最优种群切换至蛙跳算法；步骤4)将整个蛙群分成多个子群，在每个子群中最差位置根据与最优位置之间的汉明距离完成位置更新，所有子群更新结束后，将各子群中的青蛙混合在一起重新排序分组，直至得到最小属性约简集。本发明主要应用于人工智能场合。

技术领域

本发明属于数据挖掘，粗糙集，群体智能领域，具体涉及一种基于人工鱼群与蛙群混合算法的粗糙集属性约简方法。

背景技术

粗糙集理论是由波兰科学家Pawlak于1982年提出的数据分析处理理论。它能够对不完整的、不精确的信息进行处理，从而发掘数据中的有用信息和知识。目前，粗糙集理论广泛应用于越来越多的行业和领域，包括机器学习、医学诊断、交通运输、环境科学等。

属性约简，也被称为特征选择，是重要的数据预处理技术。在信息系统中，有些属性是必要的，而有些属性是冗余或者有噪声的。这些属性不仅会占用额外的计算资源，而且会影响分类准确性。而属性约简可以在保持信息系统决策能力不变的前提下将无用信息移除。在机器学习过程中，属性约简成为一种降低数据计算成本的重要方法。粗糙集理论有着不需要附加条件、不需要参数设置等优点，因而通过粗糙集进行属性约简成为了研究热门。

假设属性集中的属性个数为m，则属性约简的目标是在2^m-1个候选集中找到最优属性子集。目前国内外有多个属性约简方法，主要的方法有三种：一是基于可辨识矩阵的属性约简算法；二是代数观，即基于正域的属性约简算法；三是信息观，即基于启发式信息的属性约简算法。可辨识矩阵最早是由Skowron教授提出，其主要思想是：在可分辨矩阵的基础上构造可分辨函数，利用逻辑运算转换求得所有约简。但是由于逻辑运算的复杂性，这种方法只适合小型的数据集系统。基于正域的属性约简方法则主要集中于贪心算法。贪心算法也被称为登山算法，在空集或者属性核的基础上逐个增加属性，通过正域的变化来寻找属性约简。这种方法的缺点是容易陷入局部最优解。启发式信息的属性约简算法包括基于属性重要度的、基于属性依赖度的、基于属性频率的方法等。同样的，只依靠这些信息也会陷入到局部最优解中。

群体智能算法受启发于自然中的种群概念，通过自上而下的寻优模式从构造个体的底层行为开始，通过种群中各个体的局部寻优，达到全局最优值在群体中凸显出来的目的。目前此算法已成功应用于NP-难问题比如二次分配问题、旅行商问题中。最小属性约简问题同样也被证明为NP-难问题，因此研究者将群体智能算法应用于属性约简中，并取得了一定的研究成果。例如，把属性抽象为节点，通过蚁群算法搜索获取节点的多种组合从而得到属性约简；将蜂群算法与粗糙集理论相结合，使蜜蜂群觅食行为的机理应用于属性约简问题。这些群体启发式约简算法取得了较好的效果，但在实际计算中获得最小属性约简的概率依旧偏低，求解质量有待进一步提高。

发明内容

为克服现有技术的不足，本发明旨在提出一种基于人工鱼群与蛙跳的混合算法用于属性约简，可以有效提升运行效率和后期的收敛速度和搜索精度，实现粗糟集属性约简。为此，本发明采用的技术方案是，基于人工鱼群与蛙群混合算法的粗糙集属性约简方法，步骤如下：

步骤1)使用粗糙集理论中的概念求得决策系统的核属性，并计算其相应的属性依赖度；

步骤2)决策系统中的条件属性除核属性外，均使用人工鱼群算法进行属性约简的前期寻优，鱼群按照网格化方法进行初始化，每条人工鱼进行觅食、聚群、追尾行为更新自己的位置与对应的适应度函数值，同时公告板记录鱼群最大适应度函数值与对应鱼的位置；

步骤3)鱼群进行多次迭代后适应度没有改变或变化极小时，将产生的输出结果按适应度值排序，取其前1/2最优种群切换至蛙跳算法；