基于免疫粒子群优化最小属性约简算法.docVIP

基于免疫粒子群优化最小属性约简算法 　　摘要：把求决策表最小属性约简问题归结为一个01组合优化问题，为该问题定义了合理的粒子适应度函数，提出了一种把免疫接种、免疫测试机制与二进制粒子群算法相结合的混合算法用于求解该问题。对UCI数据表的实验结果表明该算法在获得更优解的同时,仍具有较快的运算速度。多种算法的比较结果表明了该算法的有效性和可行性。 　　关键词：粗糙集；属性约简；二进制粒子群优化；免疫 　　中图分类号：TP311.13；TP182 　　文献标识码：A 　　 　　0引言?? 　　 　　计算决策表的属性约简是粗糙集理论的一个重要部分[1]。目前提出的一些属性约简算法大都属于启发式的搜索算法[2～8]，尽管它们的计算速度快，但求出的不一定是最小的属性约简。在实际应用中，人们往往期望得到属性数最少的一个属性约简，即最小属性约简。然而WongS.K.M等已经证明找出决策表的最小约简是NP??hard问题[2]。为此，文献[9～11]把遗传算法用于求最小属性约简，取得了一定的效果，但是由于遗传算法中遗传算子的计算复杂性较高，因此遗传约简算法往往存在着计算时间较长的不足。粒子群优化PSO算法[12]、免疫算法[13～15]都是近年来发展起来的智能群体优化方法，可用于全局优化搜索，而且往往具有收敛速度比遗传算法快、迭代速度快等优点。因此，本文把免疫算法中的疫苗接种、免疫测试机制加入到二进制粒子群[12]算法中，提出了一种基于免疫PSO算法思想的求解最小属性约简的混合算法。该算法把免疫机制与二进制粒子群优化算法有机地结合，在取得较好的计算结果的同时，仍具有较快的计算速度。对UCI数据表的实验结果说明了该方法的有效性及可行性。?? 　　 　　1基本概念?? 　　 　　为叙述方便,对粗糙集中一些基本概念进行介绍并引入一些记号。?? 　　 　　3适应度函数的定义?? 　　 　　1997年，Kennedy等对实值粒子群算法进行了修正，提出处理离散优化问题的基本二进制粒子群算法[12]。适应度函数的合理定义是该算法一个重要部分。为了求最小属性约简，文献[10]通过引入可行域的概念来定义问题的适应度函数，但是计算复杂性较大，解的等价性也有待进一步证明。文献[11]中适应度函数的计算量虽然很小，但是新增的“修改”算子却大大地增加了算法整体的复杂性，所以需要重新定义一种更为合理的适应度函数。?? 　　根据问题2，粒子的适应度可由下面三个因素决定：1)粒子x编码中1的个数(记为C(x)越少，其适应度越高。2)粒子x所对应的属性子集(即ξ(x))的近似精度(简记为R(ξ(x))越接近于γC，其适应度越高。同时引入奖励机制，对满足R(x)=γC的粒子进行适当奖励。3)Core(ξ(x))越接近于ξ(x)，粒子的适应度越高。因此，本文定义粒子的适应度函数如下： 　对于一个具体算例来说，定义λ1为H，λ2为γC，λ3为1，其中H代表粒子的维数。?? 　　性质2当一个向量x′映射的属性集ξ(x′)为最小属性约简时,适应度函数F(x)取得最大值。当某一个向量x′使得适应度函数F(x)取得最大值时，该向量x′映射的属性集ξ(x′)为最小属性约简。?? 　　证明利用属性约简的定义以及近似精度γC的单调性容易推出该性质。?? 　　根据性质2，有推论1：?? 　　推论1只要优化算法找到了使式（1）取得最大值的xmax??，则ξ(xmax)就是最小属性约简。?? 　　 　　4疫苗?? 　　 　　人工免疫算法是近年发展起来的模仿自然免疫系统功能的一种智能搜索方法。疫苗接种与免疫测试是免疫算法中两个十分重要的算子。免疫接种算子根据所求问题具备的或多或少的先验知识，有选择、有目的地提取出一些特征信息或知识，形成“疫苗”并通过“疫苗接种”和“免疫选择”来指导搜索过程，提高优化能力[15]。接种免疫体现了对待求最佳个体匹配模式的一种估计。因此，疫苗选取的好坏对算法的运行效率起着重要的作用。一般来说，重要性越大的属性成为最小属性约简的一部分的可能性越大。因此，本文利用属性重要性来定义决策表L的疫苗，具体可见本文算法的Step4。?? 　　 　　5算法描述及参数说明?? 　　 　　基于免疫粒子群优化的最小属性约简算法(BPSOI)步骤如下：?? 　　Step1先计算属性核Core(C)。核属性不参与搜索，从而减少粒子(抗体)的维数。粒子（抗体）维数为H=｜C｜-｜Core(C)｜。?? 　　??Step2??初始化参数：粒子(抗体)的个数N(一般在20至40之间，本文取20)；总迭代次数T(本文取500)；粒子(抗体)最大速度限制Vmax(本文取3)；初始化已经迭代次数：t=0。?? 　　 　　4疫苗??