资源描述：
《粗糙集与其他软计算理论结合情况进行综述研究的论文》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、粗糙集与其他软计算理论结合情况进行综述研究的论文 摘要:最近几年,对于粗糙集的研究越来越多,尤其是粗糙集与其他软计算理论相结合的研究更为突出,取得了很多有意义的研究成果。因此,将此方面目前的主要研究情况进行一个总结,主要介绍了目前粗糙集与模糊集、神经网络、证据理论等一些其他软计算理论之间的结合研究情况,并对这方面未来的发展提出了自己的一些观点。 关键词:粗糙集;软计算;模糊集;粗糙模糊集;模糊粗糙集 surveyonbinationofroughsetsandothersoftputingtheories tangjia
2、n-guo??1,2,zhu?1,shekun?1,chenp;engineering,universityofelectronicsciencetechnologyofchina,chengdu611731,china;2.schoolofputerscienceengineering,xinjianguniversityoffinanceeconomics,urumqi830012,china;3.dept.ofputerscience,fuzhoupolytechnic,fuzhou350108,china)?abstract:i
3、nrecentyears,therearemoreandmoreresearchonroughsets.especially,thebinationsofroughsetsandothersoftputingtheorieshavebecamemoreprominent,andhavemadealotofmeaningfulresearchresults.inviemaryofthecurrentstatusofthesemajorresearchs.itfocusedonthebinationofroughsetsandotherso
4、ftputingtheoriessuchasfuzzysets,neural,evidencetheory,andsoon.intheend,itputforentinthisarea. key软计算就是在这种需求背景下出现的一种新技术。软计算最初是由模糊集理论的创始人zadeh[1]在1994年提出的,它是一种通过对不确定、不精确及不完全真值的数据进行容错处理从而取得低代价、易控制处理以及鲁棒性高的方法的集合。目前,软计算的理论与方法主要包括神经网络、模糊集、粗糙集、遗传算法、证据理论等。 粗糙集是在最近几年发展较快的一门理论,它
5、是一种用于分析和处理不确定、不精确问题的数学理论,是由波兰数学家paax(f(input?),f(inputr)) output?r=min(f(input?),f(inputr)) 计算普通神经元i的单个输出值的公式: output?i=f(input?i) 函数f(input)为sigmoid型函数,定义如下: f(u)=1/(1+e??-gain×u) 其中:增益系数gain是由系统的设计者确定的斜率。f(u)采用sigmoid型转移函数是因这种转移函数在0~1具有连续的取值。 有关粗糙集与神经网络的结合研究,还有其
6、他学者研究提出的一些新的结合方式,如强耦合集成[55]方式,为解决神经网络设计中的网络的隐层数、隐层节点数和初始权值的确定及网络语义提供了一种便于实现的新思路。随着软计算理论中的各种理论和技术的不断发展和创新,将神经网络与诸如进化算法、概念格、证据理论及混沌学等加强结合研究,相信会取得更加让人振奋的成就。 4粗糙集与遗传算法 遗传算法[56]是一种自然进化系统的计算机模型,也是一种通用的求解优化问题的适应性搜索方法。它的本质特征在于群体搜索策略和简单的遗传算子,是目前进化算法中最为重要的一种算法,广泛地应用于人工智能、数据挖掘、
7、自动控制及商业等领域。 4.1遗传算法基本原理 遗传算法通过模拟自然选择和遗传机制,以迭代的方式对其研究的对象群体进行适应性评价、选择、重组,直到目标群体满足预定的要求或者达到最大迭代次数,从而得到其希望的最优解。遗传算法的关键问题是对问题空间中个体的编码方式的选择、适应函数的确定,以及遗传策略中选择、交叉、变异三个遗传算子和选择概率p?s、交叉概率p?c、变异概率p?m等遗传参数的确定。下面是一个标准遗传算法的算法描述[56]: 迭代开始(iteration):t=0 初始化(initialize):p(0)={a?1(0),
8、a?2(0),…,a?n(0)} 适应性评价(evaluate):p(0)={f(a?1(0)),…,f(a?n(0))} utate):p?(t)=m(p″(t),p?m) 新一代群体:p(t+1)
