粗糙集理论是由波兰数学家Z.Pawlak在1982年提出的,它能有效地分析和处理不精确、不一致、不完整等各种不完备信息,并从中发现隐含的知识,揭示潜在的规律。它己被广泛应用到人工智能、模式识别和数据挖掘等方面。
　　属性约简是粗集理论中的一个重要研究课题。它能够在保证分类和决策能力不变的前提下约简数据库中的冗余属性,简化知识表示。本文围绕目前求解知识约简算法计算中存在的复杂度高,数据量增大时算法计算性能不令人满意的问题,深入系统地研究了基于粗糙集理论的属性约简问题。
　　主要工作和取得的成果如下:
　　(1)对经典粗糙集理论进行了深入研究。详细阐述了粗糙集理论中的启发式的属性约简算法,并对各种常见的属性约简算法进行了分析。
　　(2)提出了一种基于属性重要性的属性约简改进算法。该算法将属性频率作为衡量属性重要性的评价因子,特别是针对条件属性频率相同时,深入讨论了如何对条件属性重要性评价的问题。实例结果分析表明,该算法具有较好的有效性和可行性,取得了更优的结果。
　　(3)针对基于传统遗传算法的属性约简算法中存在的可优化空间的问题。本文提出了一种基于属性依赖度的遗传约简改进算法。该算法与基于传统遗传算法的属性约简算法相比有:一是在适应度函数中引入了决策属性对条件属性的依赖度,使算法在加强局部搜索能力的同时保持了该算法全局寻优的特性,也保证了所求约简既含较少的属性又保证分类质量,能够获得最佳的搜索效果。二是在求解属性重要性时,只需求出决策系统中各个子集的不可分辨关系等价类划分,从而降低了算法时间复杂度。实验结果表明,该算法是一种求解知识约简问题的快速有效方法。