决策粗糙集模型中参数的多目标优化方法

《决策粗糙集模型中参数的多目标优化方法》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、分类号：密级：ＵＤＣ；码：单位代＿＿＿＿＿各傲至必大ｆ硕去学位论文论文题目：决策粗繪集模型中参数的多目标优化方法戀１３２０１９０４３３学号．作者；樊杨龙管理科学与工程专业名称：２０１６年０５月１８日一？－—与，独创巧说明本人郑重声明：所呈交的论文是我个人在导师指导下进行的研究工作及取得研究成果，。尽我所知，除文中特别加科标注和致谢的地方外论文中不包含其他人己经发表或撰写的研究成果，也不包含为获得安徽工业大学或其

2、他教育机构的学位或证书所使用过的材料一。与我同工作的同志对本研巧所做的任何贡献均己在论文中做明确的说明并表示谢、〇ｊＥ緣名曰期；州Ｈ（｝关于论文使用授极的说巧艮本人完全了解安徽工业大学有关保留、使用学位论文的规定，Ｐ；学校有权保留送交论文的复印件，允许论文被查阅和借阅；学校可Ｗ公布论文的全部或部分内容，可臥采用影印、缩印或其他复制手段保存论文保密的论文在解密后应遵循此规定。，签名拖记导师签名讀每黃呼日期：ｕｕ．（安徽工业大学硕士学位论文论文题目：决策粗糙集模型中

3、参数的多目标优化方法Multi-ObjectiveOptimizationMethodsoftheParametersinDecisionTheoreticRoughSetModels作者：樊杨龙学院：管理科学与工程指导教师：潘瑞林单位：管理科学与工程协助指导教师：单位：单位：论文提交日期：2016年05月18日学位授予单位：安徽工业大学安徽马鞍山243002摘要摘要作为一种新兴的粒计算工具，粗糙集模型被广泛用于处理不确定问题。该模型能够对相关决策进行定量分析，为决策者提供了有效、可靠的决策建议。针对粗糙集及

4、其扩展模型中属性约简、阈值求解、信息表示、条件概率估算、决策规则获取及粒度选择等问题的研究多采用数据挖掘、模式识别等智能方法，但较少文献采用优化方法。基于此，本文针对决策粗糙集和邻域决策粗糙集等两个粗糙集扩展模型，利用多目标方法对前者的阈值优化和后者的邻域粒度及阈值综合优化分别进行了研究。针对决策粗糙集的阈值优化问题，提出一种决策粗糙集阈值多目标优化方法。该方法在修改了前人最小化决策代价目标函数的基础上，增加了一个最小化边界域目标函数。同时，为了提高结果的分类性能，加入了两种F-measure约束，并以此建立

5、模型。在模型求解过程中，分别设计了无F-measure约束、考虑F1-measure和考虑F2-measure约束三种情况下的多目标遗传算法以获得帕累托解集。对于考虑F2-measure约束条件下的不可行解，利用多元线性回归，设计了修正机制。在仿真实验中，采用12个UCI数据集对该方法的有效性进行了验证。同时，实验结果揭示了两个目标函数之间的竞争合作关系，即越小的边界域意味着更大的决策代价，而反之亦然。对于邻域决策粗糙集的邻域半径选择以及阈值求解等问题，提出一种邻域决策粗糙集的邻域半径及阈值综合优化方法。该方

6、法在前人的基础上，通过去除惩罚参数，将邻域粗糙集中进行邻域粒度选择的单目标函数更改为两个最小化目标函数，同时将决策粗糙集中的最小化决策代价目标函数进行修改引入到邻域决策粗糙集中，建立了同时考虑邻域和阈值的多目标综合优化模型。在模型求解过程中，采用带有F-measure约束的强度帕累托进化算法获得帕累托解集。在仿真实验部分，利用8个UCI经典数据集对该方法的有效性进行了验证。结果显示，利用该方法同时得到的邻域半径和阈值具有良好的分类性能。本文将多目标方法应用到了决策粗糙集参数的优化研究中，从而扩展了相关粗糙集的

7、研究思路。关键词：决策粗糙集；邻域决策粗糙集；帕累托解集；F-measure；MOGA；SPEA2；不确定性；阈值求解；半径选择I决策粗糙集模型中参数的多目标优化方法AbstractAsakindofemergingtoolsofdealingwithuncertainandgranularcomputing,theroughsetprovideseffectiveandreliabledecision-makingadvicesforpolicymakersbyintroducingquantitative

8、analysistool.Todealsomeissuesoftheroughsetanditsrelatedmodels,suchasattributereduction,thresholdlearning,Informationrepresentation,estimationofconditionalprobabilities,decisionruleacquisitionandgranula