1、粗糙集理論是繼概率論、模糊集理論、證據(jù)理論之后的又一個處理含糊性和不確定性的數(shù)學工具.屬性約簡算法是粗糙集理論的核心內容.粗糙集屬性約簡的研究在知識獲取、機器學習、模式識別、決策分析、模型建立等實際應用中有重要的意義;但是,由于屬性約簡被證明是一個NP-hard問題,因此,研究更為有效的屬性約簡算法,有效地獲取較優(yōu)的屬性約簡,降低算法的時間復雜度,尋求快速的約簡算法仍是粗糙集理論的主要研究課題之一.本文對基于遺傳算法的粗糙集屬性約簡算法

2、進行了研究. 本文首先介紹了粗糙集理論的基本概念和遺傳算法的相關知識.對粗糙集理論中基于區(qū)分矩陣、屬性重要度、屬性依賴度的屬性約簡算法以及啟發(fā)式遺傳約簡算法進行了系統(tǒng)綜述,并且對各種算法進行了比較分析. 在對粗糙集理論和遺傳算法的研究基礎上,通過分析比較現(xiàn)有的遺傳約簡算法,吸收算法的優(yōu)點,并且加以改進,提出了一種基于屬性依賴度的遺傳約簡算法的改進算法.本算法的主要特點在于:一是在適應度函數(shù)中引入了決策屬性對條件屬性的依賴

3、度,使算法在加強局部搜索能力的同時保持了該算法全局尋優(yōu)的特性,也保證了所求約簡既含較少的屬性又保證分類質量,能夠獲得最佳的搜索效果.二是對傳統(tǒng)遺傳算法中隨機產生的二進制初始種群加以改進,用屬性核加以限制,以增強遺傳算法的局部搜索能力,縮短算法的計算時間,并提高決策表屬性約簡結果的準確性.三是在遺傳算法的遺傳算子的基礎上,新算法進行了局部優(yōu)化策略,增加了修正校驗算子,采用了基于屬性依賴度的重要度修正策略,使得算法在局部空間能夠得到一個較優(yōu)