郑晓月

（商丘师范学院计算机科学系,河南商丘 476000）

模拟退火是受金属加热后冷却过程启发得来的一种迭代搜索算法,这种算法能多次考察搜索空间从而找到问题的全局优化解[1]。搜索过程中算法依赖一种称为“温度”的参数,冷却进度表则用来控制温度使之逐渐降低,当温度高时,算法的执行方式类似于随机搜索。当温度达到零点时算法的执行方式类似于贪婪爬山算法。如果这个过程获得足够的搜索时间,将会有很高的概率得到一个全局优化解。在数据挖掘中,模拟退火（SA）被用于特征选取、分类和分簇。利用模拟退火元启发式搜索策略开发出一个模糊分类器对新的实例进行分类。模拟退火算法力图利用SA元启发式搜索策略在分类问题中抽取模糊分类规则并找到模糊if-then规则中的优化集。这种基于模拟退火的模糊分类系统叫做SAFCS。

1 模式分类的基础——模糊规则

设模式分类问题在n维模式空间中是一个具有连续属性值的c-类问题,并给定c-类问题m个实矢量xp=（xp1,xp2,…,xpn）,p=1,2,…,m作为这c个类的训练模式空间。由于样本空间为[0,1]n,所以每种模式的属性值都有 xpi∈[0,1],其中i=1,2,…,n。在计算机模拟过程中,将每个数据集的属性值规格化在单位闭区间[0,1]内。并使用下面的模糊if-then规则:

规则 Rj:若 x1属于 Aj1,x2属于 Aj2,…,xn属于Ajn,则类 Cj有CF=CFj。

其中Rj代表第j个if-then规则,Aj1,…,Ajn是单位闭区间[0,1]上的前件模糊集。Cj是后件类,CFj是ifthen规则 Rj的确定级别,Cj和CFj的确定在参考文献[2]中有详细的论述。在 n维模式分类问题中if-then规则总共有6n个。模糊分类器系统是利用较高的分类性能寻找具有较小规模的模糊if-then规则集。……