利用蚁群优化算法的粗糙集属性约简方法

计算机工程与科学

利用蚁群优化算法的粗糙集属性约简方法

吴尚智1，张文超2，佘志用1，张霞1，段超1

（1.西北师范大学计算机科学与工程学院甘肃兰州 730070；

2.烟台黄金职业学院,山东烟台 265401）

收稿日期:2017-11-08 修回日期:2018-05-29 出版日期:2019-03-25 发布日期:2019-03-25
基金资助:
国家自然科学基金(61561043)；甘肃省自然科学基金(1010RJZA011)

A rough set attribute reduction method

using ant colony optimization algorithm

WU Shangzhi1,ZHANG Wenchao2,SHE Zhiyong1,ZHANG Xia1,DUAN Chao1

（1.College of Computer Science and Engineering,Northwest Normal University,Lanzhou 730070;

2.Yantai Gold College,Yantai 265401,China)

Received:2017-11-08 Revised:2018-05-29 Online:2019-03-25 Published:2019-03-25

摘要/Abstract

摘要：

随着高维数据的扩散，特征选择成为学习过程中不可或缺的一项任务。属性约简是特征选择的重要方法，为了寻找有效的属性约简方法，将粗糙集与蚁群算法相结合，提出了利用蚁群优化算法的粗糙集属性约简方法。首先从信息素的更新开始，限制其信息素值的上、下限范围，然后根据寻址方式改进候选解的构造方案。实验表明，该方法具有一定的优越性。

关键词: 粗糙集, 蚁群算法, 属性约简, 信息素

Abstract:

With the proliferation of highdimensional data, feature selection has become an indispensable task in the learning process. Attribute reduction is an important feature selection method. To find effective attribute reduction, combining rough set with the ant colony algorithm, we propose a rough set attribute reduction method using the ant colony optimization algorithm. The method firstly updates pheromones, and sets the upper and lower limits for pheromone values. Then the construction scheme of candidate solution is improved according to the addressing mode. Experimental results show that the method has good superiority.

Key words: rough set, ant colony algorithm, attribute reduction, pheromone

吴尚智1，张文超2，佘志用1，张霞1，段超1. 利用蚁群优化算法的粗糙集属性约简方法[J]. 计算机工程与科学.

WU Shangzhi1,ZHANG Wenchao2,SHE Zhiyong1,ZHANG Xia1,DUAN Chao1.

A rough set attribute reduction method

using ant colony optimization algorithm

[J]. Computer Engineering & Science.

[1]	肖振国, 陈林书, 孙少杰, 梅本霞, 柳媛慧, 赵磊. 基于代数粒的聚类方法[J]. 计算机工程与科学, 2024, 46(01): 150-158.
[2]	顾楚梅, 曹建军, 王保卫, 徐雨芯, . 基于蚁群参数优化的LightGBM辐射源个体识别[J]. 计算机工程与科学, 2023, 45(01): 85-94.
[3]	赵广元, 赵英. 基于改进蚁群优化算法的养殖场机器人路径规划[J]. 计算机工程与科学, 2022, 44(05): 910-915.
[4]	刘雨青, 向军, 曹守启. 基于改进蚁群算法的水下自主航行机器人路径规划[J]. 计算机工程与科学, 2022, 44(03): 536-544.
[5]	骆公志, 陈佳馨. 多源覆盖信息系统下的加权广义多粒度粗糙集模型及其应用[J]. 计算机工程与科学, 2021, 43(12): 2231-2237.
[6]	胡平志, 李泽滔. 基于改进蚁群算法的四足机器人步态规划[J]. 计算机工程与科学, 2021, 43(12): 2253-2262.
[7]	李雨晨, 魏巍, 白伟明, 王达. 基于标签共现关系的多标签特征选择[J]. 计算机工程与科学, 2021, 43(11): 2049-2055.
[8]	宋阿妮, 包贤哲. 精英扩散蚁群优化算法求解运输无人机三维路径规划[J]. 计算机工程与科学, 2021, 43(10): 1891-1900.
[9]	姜春茂, 刘安鹏. 三支决策视角下的属性约简加速方法[J]. 计算机工程与科学, 2020, 42(12): 2280-2286.
[10]	王虹, 李敏赢. 局部广义多粒度粗糙集[J]. 计算机工程与科学, 2020, 42(08): 1463-1471.
[11]	马贵平, 潘峰. 基于改进蚁群算法的物流运输路径研究[J]. 计算机工程与科学, 2020, 42(03): 523-528.
[12]	曹新亮, 王智文, 冯晶, 查敏, 王宇航. 基于改进蚁群算法的机器人全局路径规划研究[J]. 计算机工程与科学, 2020, 42(03): 564-570.
[13]	张卫祥，齐玉华，魏波，张敏，窦朝晖. 基于蚁群算法的测试用例优先排序[J]. 计算机工程与科学, 2020, 42(02): 241-249.
[14]	杨衡亮. 深化计算机课程教学改革,提高军校大学生信息素养[J]. 计算机工程与科学, 2019, 41(增刊S1): 21-25.
[15]	喻小惠1，张晶1,2，陶涛3，龚力波4，黄云明1，傅铁威1. 基于蚁群策略的无线传感器网络能耗均衡分簇算法[J]. 计算机工程与科学, 2019, 41(07): 1197-1202.