一种基于Rough集的属性值约简算法

一种基于Ｒｏｕｇｈ集的属性值约简算法

胡斐１张峰筠１刘少辉２

１（上海体育学院体育管理系．上海２００４３８）

２（中国科学院计算技术研究所智能信息处理重点实验室，北京１０００８０）

Ｅ～ｍａｉｌ：ｌｉｕｓｈ＠ｉｔｓｌｅｔ．ａｃ．ｕｉｌ

摘要丈章特Ｒｏｕｇｈ集理论应用于不同类型的决簸表（一致决策表和不一致决策表）的约简，蛤出了广义决策、决策规则的一致程度、属性值重要性等定叉，在此基础上提出丁一种基于Ｒｏｕｇｈ集的属性值约简算法。该算法不但能得列毫为晌洁的决策规则，而且能ｔＩ芊持班策规则的一致程度不变，实例分析表明谊算法是可行昀。

关键词Ｒｏｕｇｈ集决策表值核值约简

文章编号１００２—８３３１一（２００３）３１—００４８—０４文献标识码Ａ中圈分类号。ＦＰｌ８

ＡＲｏｕｇｈＳｅｔ－—ｂａｓｅｄＡｌｇｏｒｉｔｈｍｆｏｒＡｔｔｒｉｂｕｔｅＶａｌｕｅＲｅｄｕｃｔｉｏｎ

ｌｔｕＦｅｉｌＺｈａｎｇＦｅｎｇｙｕｎｌＬｉｕＳｈａｏｈｕｉｚ

。（ＤｅｐａｒｔｍｅｎｔｏｆＰｈｙｓｉｃａｌＥｄｕｃａｔｉｏｎＭａｎａｇｅｍｅｎｔ，ＳｈａｎｇｈａｉＩｎｓｔｉｔｕｔｅｏｆ

ＰｈｙｓｉｅａｌＥｄｕｃａｔｉｏｎ，Ｓｈａｎｇｈａｉ２００４３８）

２（ＫｅｙＬａｂｏｒａｔｏｒｙｏｆＩｎｔｅｌｌｉｇｅｎｔＩｎｆｏｒｍａｔｉｏｎＰｒｏｃｅｓｓｉｎｇ，ＩｎｓｔｉｔｕｔｅｏｆＣｏｍｐｕｔｉｎｇＴｅｃｈｎｏｌｏｇｙ，

ＣｈｉｎｅｓｅＡｃａｄｅｍｙｏｆＳｃｉｅｎｃｅｓ，Ｂｅｉｊｉｎｇ１０００８０）

Ａｂｓｔｒａｃｔ：Ｒｏｕｇｈｓｅｔｔｈｅｏｒｙｉｓａｐｐｌｉｅｄｔｏｔｈｅｒｅｄｕｅｔｌｏｕｏｆｄｉｆｆｅｒｅｎｔｔｙｐｅｓｏｆｄｅｃｉｓｉｏｎｔａｂｌｅ（ｃｏｎｓｉｓｔｅｎｔｄｅｃｉｓｉｏｎｔａｂｌｅａｎｄｉｎｃｏｎｓｉｓｔｅｎｔｄｅｃｉｓｉｏｎｔａｂｌｅ）．Ａｌｏｔｏｆｄｅｆｉｎｉｔｉｏｎｓｓｕｃｈａｓｔｈｅｇｅｎｅｒａｌｉｚｅｄｄｅｃｉｓｉｏｎ．ｔｈｅｄｅｇｒｅｅｏｆａｄｅｃｉｓｉｏｎｒｕｌｅ７ｓ

ＣＯＩＬＳｓｔｅｎＣＶａｎｄｔｈｃｓｉｇｎｉｆｉｃａｎｃｅｏｆａｔｔｒｉｂｕｔｅｖａｌｕｅａｒｅ舀ｖｅｎ．Ｂａｓｅｄｔｉｌｌｔｈｅｓｅｄｅｆｉｎｉｔｉｏｎｓ，ａｒ０“ｇｈ嘲一ｂａｓｅｄａｌｇｏｒｉｔｈｍｆｏｒａｔｔｒｉｂｕｔｅｖａｌｕｅｒｅｄｕｃｔｉｏｎｉｓｐｒｏｐｏｓｅｄ．ＮｏｔｏｎｌｙｃａｎｉｔｇｅｔｍｏｒｅｃｏｎｅｉＦ，ｅｄｅｃｉｓｉｏｎｒｕｌｅｓ，ｂｕｔａｌｓｏｉｔｃａｎｋｅｅｐｔｈｅｄｅｇｒｅｅｏｆ

ｃｏｎｓｉｓｔｅｎｃｙｕｎｃｈａｎｇｅａｂｌｅ．Ｔｈｅａｑａｌｙｓｉｓ

ｎｆａｎｅｘａｍｐｌｅｓｈｏｗｓｔｈａｔｔｈｅａｌｇｏｒｉｔｈｍｉｓｆｅａｓｉｂｌｅ

Ｋｅｙｗｏｒｄｓ：ＲｏｕｓｈＳｅｔ，Ｄｅｃｉｓｉｏｎ

ｑ＇ａｂｌｅ，ＣｏｒｅＶａｌｕｅ，ＶａｌｕｅＲｅｄｕｃｔｉｏｎ

１引言

２０世纪８０年代初．波兰的Ｐａｗｌａｋ教授提出了Ｒｏｕｇｈ集理论Ｉ】Ｉ．这足一种新刊的处理含糊和不精确性知识的数学工具。经过２０多年的研究和发碰，Ｒｏｕｇｈ集理论已经在信息系统分析、人工智能、决策支持系统、知识与数据发现、模式识别与分类、故障榆测等方面取得丁较为成功的应用”ｑ。

日前，对Ｒｏｕｇｈ集理论的研究主要集中在其彀学性质、Ｒｏｕｇｈ集的扩展模型、与其它不确定方法的关系和互补、及有救算法等方面。Ｒｏｕｇｈ集有救算法方面的研究包括如何求等价类、上近似、下近似、正区域、约简和核等等”一。

由于约简是Ｒｏｔｌｇｈ集理论的核心内容之一，所以许多研究者都致力于决策表约简的研究。决策表的约简是指在保持决策能力不变的条件＿Ｆ，删除决策表【｝】的冗余信息，包括属性约简和属性值约简。目前，大多数研究者都将研究重点放在属性约简方面，提出了多种属性约简算法，如基于正区域的属性约筒算法１７。ｑ、基下【）ｃ＝分矩阵的属性约筒算法ｔｌｌ，“和基于信息熵的属性约简算法旧’等等。文献【１４ｌ和文献１１５１虽然讨论了属性值的约筒，但是都不能很好地处理不一致决策表。

为ｒ能处理不同类型的决策表（一致决策表和不一致决策表），该文给出，广义决策、决策规则的一致程度、属性值重要性等定义，在此基础卜提出了一种基＿ＦＲｏｕｇｈ集的属性值约筒算法（记为ＲＳＡＶＲ）。该算法不仅能得到更为简洁的决策规则，Ｉ｜ｌｉ且能保持决策规则的一致程度不变。实例分析表明该算法是可行的。

全文组织如下：第２节介绍Ｒｏｕｇｈ集的基本概念；第３节给出相关定义，在此基础上介绍ｒ种基于ＲｏｔＩ曲集的属性值约简算法ＲＳＡＶＢ．；第４节给出霉侧分析，并与相关算法进行比较；最后给出结论。

２Ｒｏｕｇｈ集基本概念

下面先简要回顾一下该文主要用到的Ｒｏｕｇｈ集基本概念详情请参考文献１１～６】。

定义１一个信息系统Ｓ可以表示为：

Ｓ＝（Ｕ，Ａ，Ｖ∞

其中．ｕ是个体的集合，即论域一是属性集合；ｙ＝ＵＶ。，

ａ￡＾Ｖ。表示属性ｎ的值域以ＵｘＡ—ｒ足一个信息函数，它指定ｕ中每一个对象＃的属性值，即对ｘＥＵ，ｎ∈Ａ，有，（ｚ，曲∈Ｖ。。

如果属性集Ａ可以分为条件属性集Ｃ和决策属性集Ｄ，即ＣｕＤ刊，Ｃｒ－ＩＤ＝中．则该信息系统称为决策表或决策系统，

基金项目：国家自然科学基金资助项目（编号；６００７３０１９）

作者简介：胡韭（１９７５一），助教．研究方向为Ｒｏ，壤ｈ集应用、网络昔理。张峰筠（１９７８－）．助教，研究方向为Ｒｏ，ｇｈ集应用、阿络管理。刘ｆｆ－挥（１９７７博士生，研究方向为数据挖掘、Ｒｏｕｇｈ集理论丑应用，

４８２００３．３ｌ计算机工程与应用

其中Ｄ一般Ｈ含有个属性。

，定义２在信息系统ｓ中．对于每个属性子集口∈／ｔ、可以定义一叶、下可区分戈系删Ｄ（Ｂ）：

ｈＶＯ（Ｂ‘）＝（（』，ｙ）∈ＵｘＵ：Ｖｂ∈Ｂ以ｚ，ｂ）可ｒｙ，６）｝

显然ｔＮ，）（Ｂ）是个等价关系，对象ｚ在属性集Ｂ卜的等价类ｂ】Ｍｍ定义为：。

ｈ】～岫尸ｆｙ：ｙ∈Ｕ，ｙｌＮＤ（Ｂ）ｘ｝

为简便起见．在不产生混淆的睛况下用Ｂ代替ＩＮＤ（Ｂ）。

在决策表ｒ卜’笑系ＩＮＤ（ｃ）和，ⅣＤ（Ｄ）对廊的等价类分别称勾条件类和决策类，

定义３在决案袁ｓ中，对于ＶｚＥＵ，用ｄ‘表示决策规『Ｉ！｜ｌ，即：

以：ｄｅｓ（１ｘｋ）协ｓ（扛】ｎ）

其中ｄｅｓ（Ｉｚｌｃ）表示对等价类ｈｋ的描述，即等价类ｈｋ对于符条件属性值的特定取值；ｄｅｓ（ｈ］。）表示对等价类ｈｋ的描述、即等价娄㈨。对丁各决策属性值的特定取值；而对于Ｖ８∈ＣＵＤ。ｄｒ，（ｏ）砘（ｘ），Ⅱ（ｇ）为个体』关于属性ｎ的属性值，且ｄｒ，ＩＣ、ｄｒＪＤ分别称为缸的条什和决策。

定义４如果对于每个ｙ＃ｘ，ｄｏＩＣ－＝ｒ】ＩｒＪＣ意昧着ｄｒ：ＪＤ－－ｄｒ，ｌＤ，则称决策规则ｄｒ．足一致的，胥则是不一致的；若决策表Ｓ中所有的决策规则都是一致的，则称该决策表是一敛的，否则是不致的。

３基于Ｒｏｕｇｈ集的属性值约简算法

３．１相关定义

为简使起她，该文主要讨论只有一个决策属性的决策表的属性值约简．即Ｄ＝ｌｄ】（含多个决锥属性的央策袁的属性值约简可采用类似方法），并以ⅨＩ来表示集台ｘ中的元素个数。为了能统一处理一致决策表和不一致决策表，先给出如下定义：定义５在决策表ｓ中．决策规则啦关于条件属性集ｃ的一致稃度斗（ｄＬ．Ｃ）定义为：刖¨）＝掣

显然，０＜Ｉｘ（ｄｒ．，Ｃ）ｓ１，且¨（以，Ｃ）＝１时．ｄＬ是一致的，否则是不致的。

定义６在决策表Ｓ中．对于Ｖ』ＥＵ，用ａ。０）表示ｘ的广义决策．即：

Ｏｃ（Ｘ）＝陋ＥＶｄ：３ＹＥＵ（ｙＩＮＤ（Ｃ）ｘ日ｄ（ｙ）－＝，Ｊ）ｌ

Ｉｉｌ定义６可“看出：决策表Ｓ是一致的，当且仪当对Ｖ』ＥＵ，ｌａ。（ｚ）Ｉ＝１．否则就是不一致的。

定义７在决策表Ｓ中，若Ｂ互Ｃ．如果Ｆ列两个条件满足：

（Ｉ）０目（ｚ）＝ｄ。（ｎ且ｉｔ（ｄｒ，，Ｂ）＝斗（啦，Ｃ）；

（２）对Ｖ６∈Ｂ，ａＦ扛）≠嵋¨（ｚ）或斗（血．占）≠阻（以，肛㈣）。

则称ｄｒ，ＩＢ为决策规则止的属性值约简，记为ＲＥＤ（ｄｒ．）。

定义８在决策规则ｄ‘所有属性值的约简巾都存往的属性值称为妣的值棱，机的所有值核构成一个集合：

ＣＯＲＥ（啦）＝｛ｄｒ，（ｃ）ＩＣＥＣ，如（＾）≠ａ帅ｌ（ｚ）或斗（机，ｃ）≠斗（以．ｃ－㈦）１

３．２算法描述

采用Ｒｏｕｇｈ集方法对决策表进行约简的一般过程是：先进行屉件约简．然后再进行属性值约筒。通过属性约简，可以删除决策表中的冗余属性，这是对决策表的整体『｜１ｉ言。通过属性值约简，ｕｆ以删除冗余的属性值，这是对决策表的每个决策规则而言。

求虽小属性约筒和所有的属性约简已经被证明是ＮＰ完全州题Ｉ”Ｉ，故一般采用启发式信息找出最忧或次忧属性约简。这些算法的共同特点是利用属件的重要性作为启发式信息，擞据对属性重要｜生的度星分类，可以分为纂丁正区域的１７。…、基于尻分矩阵的”１。和基于信息熵的㈣属性约简算法等等。该文则采用了文献ｆ７１中基于正区域的高效完备的属性约简算法。

在决策规则?ｆｔ，有的属性值不可缺少，有的则ａＴ以删除，故利用Ｒｏｕｇｈ集方法对决策表进行属性值的约简，充分去除决策表中的冗余信息，从而得到更ＪＪＢ简洁的决策规则。但每一个决策规则都可能存在多个属性值约简，同属．｝牛！约简样，求最小属性值约简和所有的属性值约简也是组合爆炸问题，放在实际应用中，当数据屠很大时，其计算代价将会非常高。

基丁此，该文采用启发式方法求取状优的属性值约简：以属性值的审要性作为启发式信息，井以值核为初始候选集台，之后，选择重要性最高的碾性值掭加列候选集合中，判断当前候选集合是卉为一个值约简，如此厦复直到找到一个值约简为止。先给山属性值重要性的定义：

定义９在决策规则ｄ＾中．设ｎ∈Ｃ一矗∽［Ｃ），其对应的属性值毗（ｎ）的重爱性ＳＩＧ（ｄＧ（ａ），Ｒ）定义为；

ＳＩＧｑ：ｄｒ（Ⅱ），Ｒ）＝ｐ（ｄｒ，ＲＵ｛ｎ１）一“（啦，Ｒ）

其中，若月＝书，则令“（ｄ‘，尺）＝１。

下面给出该算法的详细描述：

算法：基于Ｒｏｕｇｈ集的属性值约筒算法ＲＳＡＶＲ

输入：决策表ｓ＝＜ｕ，ＣＵ（ｄｌ，ｙ。厂）

输出：约简后的决策规则

步骤１：得到决策表Ｓ的属性约简，设为Ｏ；

步罪２：从Ｓ中将集合Ｅ—ｐ中属性所对应的刑全部删除；

步骤３：依扶对各决策规则ｄｒ．进行娃理：

（１）根据定义８计算机的所有值棱，即ＣＯＲＥ（ｄｒ，），设对应的属性集为Ｐ；

（２）ＲＥＤ（ｄ‘）＝ＣＯＲＥ（ｄｒ，），尺＝Ｐ；

（３）若ｄｐ缸）≠ｍ“）或斗（ｄ‘，Ｑ）≠斗（机．Ｒ），反复执行：

①在ｐ—月中找出使ＳＩＧ（ｄｒ，（ａ），矗）取最大值的属性ｏ；

②将ｄ加人到Ｒ的尾部，ＲＥＤ（ｄｒ，）＝ＲＥＤ（ｄｒ，）Ｕ｛ｄｒ，（Ⅱ）ｌ：

（４）从月的尾部开始，从后往前对每十属性Ⅱ进行判断：著ｎ∈Ｐ

则从ｎ开始往前的属性对应的值都是值棱，ＲＥＤ（啦）就是ｄｒ，的属性值约简，跳出第（４）步

否则若％ｈ）＝ｄ＊埘（ｘ）且ＩＸ（ｄｒ，，Ｑ）＝ｐ（止，Ｒ一｛ｎ１），则说明属性值ｄｒ，（ｏ）是可去除的，ＭＲＥＤ（ｄｒ：）中把ｄ‘（ｎ）删除步骤４：根据各决策规则的属性值约简输出对应的简化后的决策规则。

该算法以值核为起点，步骤３的第（３）步确保一定能找到Ｑ的某个子集Ｒ，满足ｄ。■）＝“０）且斗（机，ｐ）＝“（ｄ‘．Ｒ）；第（４）步通过一个后向删除的过程将ＲＥＤ（ｄｒ，）ｒ｝?可击除的属性值删除，重要性越低的属件值，越早被处理．从而确保处理后的ＲＥＤ（ｄｒ，）中每个属性值都是不可删除的。故最后得到的ＲＥＤ（血）一定是属性值约简，所以该算法对于计算决策规则的某个属性值约简来说是完备的。

４实例分析

表ｌ为有关流感的原始诊断数据决策表旧，其中体温、干咳、头痛、肌肉酸痛为条件属性．流感为决策属性。下面将对比分析采用算法ＲＳＡＶＲ和文献Ｉｉ４ＶＰ的算法（记为算法Ａ）对表

计算机工程与应用２００３．３１４９

ｌ进行属性值约陶的结果。算法Ａ“区分矩阵为基础．以值棱为起点，在挑选候选属性值时采用了ｒａｉｎ—ｍａｘ策略．即：首先考虑在Ｉ司类中差别出现频率最小的，如果只有一个属性，则就取其对席的属性值；如果存在几个，则取这几个属性中在异类中出现频率最大的属性对应的属性值。

衰１原蟾诊断数据决策裹

体温ｒ唛＊痛肌肉醵痛漉感

正常１芜

广ｉ兄无

正常无有尢

偏高ｒ无有有有

偏商有无无无

偏商有．元‘有

高Ｉ无无无

高’有：尤无

高有无无右

高有７有有有

首先采用文献【７】中的苒法对表１进行属性约简．可得到如表２所示的约简后的决策衷。容易看出，表２中决策规则１、２、３、６、９是一致的，而决策规则４、５、７、８是不一致的。

裹２经过■性约筒后的决策襄

旦件砬ｔ’峨

上正常无无无【

三Ｉ正常五有剥

Ｌ偏高＋无有

４犏高【有无

巳偏高有五肯

ｔ高ｌ无羌尢

７岛有无

宁

高有无冉

’一

９高有有有

然后考虑利用算法ＲＳＡＶＲ对表２进行属性值约筒：

对于第ｌ条决策规则（体温，正常）且（干咳．无）且（头痛．无）一（流感，无），其一致程度为１。根据定义８可得该决策规则没有值核，而：

属性值（体温，正常）的重要性为：

也且！！ｆ１】ｄ一１＝１－１－－‘０

ｌ…Ｉ４－ｌ

属性值（于咳，无）的重要性为：

卫ｂ尘ｕｊ＊童Ｌ－１＝羔七一Ｌ

Ｊ【１】１１％ｌ４４

属性值（头痛，无）的重要性为：

“！！ｆ础｝“＿ｏ一，＝丁２一ｔ＝一；

故将属性值（体温，正常）加人到候选集合ＲＥＤ（ｄｒ．）中，由苒法ＲＳＡＶＲ，可最终得到该决策规则的值约简为｛（体温．正常）｝。

对丁第７条决策规则（体温，离）且（干咳，有）且（头痛，无）一（流感，无），其一致程度为Ｉ／２。

若删除属性值（体温．高）．则对应的广义决策保持不变，而决策规则（千咳，有）且（头痛，无）－＋（流感，无）的一致程度也为１／２，故属性值（体温．高）不是值棱。

若删除属性值（千咳，有），则对应的广义决策保持不变，但决策规则（体温．高）且（头痛，无）一（流感，无）的一致程度为２／３，故属性值（下咳．有）是值核。

若蹦除属性值（头痛、无），赌ｌ对应的广Ｊ义嵌策保持不变，但决策规则（体温，高）且（干咳，有）一（流感，无）的一致程度为５０２００３．３１计算机工程与应用１／３．故属性值（头痛，无）也是倩棱。

由算法ＲＳＡＶＲ．可得该规则的值核为ｌ（干咳，有）．（头痛，无）１．通过进一步判断可最终得到该决策规则的值约简为“Ｔ咳，有）．（头痛，无）ｌ。

同理可获得其余决策规则的值约简，对应的值约简表如表３所示．最后所得的决策规则集为：

（体温，难常）＿＋（流感，无），一致程度为Ｉ

（体温，偏高）且（干赅，无）斗（流感，有），一致程崖为ｌ

（体温，偏高）且（头痛，无）＿（流感，无），一致程度为１／２

（体温．偏高）且（干咳．有）＿＋（流感，有），一致程度为１／２

（体温，高）且（干咳．无）一＋（流感，无），一致程度为１

（于咳．有）且（头痛．无）＿÷（流感，无）．一致程度１／２

（干咳，有）且（头痛，ｔ）己）＿＋（流感，有），一致程度１／２

（体温，高）且（头痛，有）＿＋（流感，有），一致程度为１

衰３由算法ＲＳＡＶＲ得到的一性值鲁勺苘裹

体温十咳士痛流感

正常无

讵膏××无

３：偏高无×有

偏高无无

偏高有×有

高无Ｘ

冉无无

Ｘ有无有

矗

——

ｘ有有

而应用算法Ａ对表２进行属性值约简，所得到的值约简表如表４所示．其中：

表２中的第５条央策规则（体温，偏高）且（干咳，有）且（头痛，无）。（流感，有）虽然被约简成（体温。偏高）１（流感，有），但一致程度发生了改变，从１／２变成２／３；

表２中的第７条决策规则（体温，高）日（下咳，有）且（头痛．无）一（流感，无）虽然被约简成（体温，高）月（头痛。无）＿（流感，无），但一致程度发生了改变，从Ｗ２变成２／３；

表２中的第８条决策规则（体温，高）且（干咳，有）且（头痛，无）一（流感，有）虽然被约简成（体温，高）且（千咳，有）＿＋（流感，有），但一致程度发生了改变，从１／２变成２／３。

衰４由算法Ａ得到的属性值约简裹

通过对算法ＲＳＡＶＲ和算法Ａ的实验结果的比较分析可以看出：采用算法ＲＳＡＶＲ对决策表进行属性值的约慧，既能够得到更为简洁的决策规刚．又能够保持决策规则的一致程度不变；而采用算法Ａ处理，则不能很好地处理＿ｉ一致决策表，不能保持决策规则的一致程度不变。

５结束语

该文给出了广艾决策、决策规则的一致程度、属性值重要性等定义，在此基础上提出了一种基于Ｒｏｕｇｈ集的属性值约简

箅法。该算法不仅能得到更为简洁的决策规则，而且能保持决策规则的致程度小变。实例分析验证了该算法的可行性，并能很好地处理一致决策表和小一致决策表。谤文的进一步研究将是了求更为高散的属性值约简算法。（收稿Ｈ期：２００３年９月１

参考文献

ＩｚＰａｗｌａｋ．Ｒｏｕｇｈｓｅｔｓ［Ｊ］ＩｎｔｅｍａｔｌｏｎａｌＪｏｕｒｎａｌｆ订Ｃｍｎｐｕｔｅｒａｎｄｌｎｆｏｒ—ｍａｒｉｏｎ‰ｉｅｎｃｅ，１９８２；１１（５）：３４ｌ一３５６

２ＺＰａｗｌａｋＲｕｕｇｈＳｅｔｓ：ＴｈｅｏｒｅｔｉｃａｌＡｓｐｅｃｔｓｏｆ

Ｒｅａｓｏｎｉｎｇ

ａｈｏｕｌＤａｔａｌＭｌＤｏｒｄｍ【－ＩＩＩ：ＫｌｕｗｅｒＡｃａｄｅｍｉｃＰｕｂｌｉｓｈｅｒｓ１９９１

３史忠植‘知识发现［ＭＩ北京：清华大学｝ｆ｝版社，２００２

４．王国胤．Ｒｏｕｇｈ集理论与知识获取『嗍两安：西安变通大学出版社．２００１

５却』清．Ｒｏｕｇｈ集及Ｒｏｕｇｈ推理ｆＭｌ．北京：科学出版社，２００１

６张文修．吴伟志．粱吉业等粗糙集理ｃ仑与方法【Ｍ】．北京：科学出版社，２００１

７刘少辉．｛落秋崴，昊斌等Ｒｏｕｇｈ集高技算法的研究…计算机学报，

２００３；２６（５）：５２４－５２９

８ＸｊＪＨｕ，ＮＣＰｒｃｔｍｅｌ￡ａｍｉｎｇ＊ｒｅｌａｔｉｏｎａｌｄａｔａｂａｓｅｓ：ａ…ｇｈｆａｐ－ｐｒｏａａｈｌＪＩ．ＩｎｔｅｒｎａｔｉｏｎａｌＪｏｕｒｎａｌｏｆＣｏｍｐｕｔａｆｉｏｎａｌＩｎｔｅｌｌｉｇｅｎｃｅ，１９９５；１１（２）：３２３～３３８

９ＪＪｅｈｍｅｋ，Ｋｌ（ｒａｗｉｅｃ．ＲＳｆｏｗｉｎｓｋｉＲｏｕｇｈｓｅｔｒｅｄｕｃｔｉｏｎｏｆａｔｔｒｉｂｕｔｅｓ

（卜接４２页）

择耗费系统资源最少、监控效果最好的信息收集Ａｇｅｎｔ来完成特定的任务。这就要求中介Ａｇｅｎｔ对每个信息收集Ａｇｅｎｔ的功能、效率有较详细的了解，因此，在设计时要把信息收集Ａｇｅｎｔ的资料放杠中介Ａｇｅｎｔ的ｊ＝【１阻库内，外且ｔ｝ｔ介Ａｇｅｎｔ自身能够根据实际情况对知识库进行动态修改，根据这些资料选择最适台某任务的信息收集Ａｇｅｎｔ。量化信息收集Ａｇｅｎｔ干牛能是个关键问题，这里采用多维能力向屠法。

另外，对于复朵的视觉监拧问题须基于Ｍｕｌｔｉ—Ａｇｅｎｔ的思想，为ｒ完成共同的任务而台作的信息收集Ａｇｅｍ的集体形成一个联盟。硅然，联盟的形成Ｉ．作仍由中介Ａｇｅｎｔ来负责，因为它拥有全局知谚｛库。值得一提的是，针对某个任务形成的信息收集Ａｇｅｎｔ联盟并不足一成不变的，而是动态凋整的。因为，随着ｓＥ的发展，系统信息席记录的内容在不断丰富，遮就为中介Ａｇｅｎｔ组织新的最优的联盟提供了依据。原先联盟的成员可能被淘汰出局。而新成员Ｈｒ能加入进来；联盟的规模可能扩大也可能缩小，甚至退化到只有一个成员。联盟的终结也由巾介Ａｇｅｎｔ控制。当中介Ａｇｅｎｔ做出是否人侵判断时。信息收集Ａ—ｇｅｎｔ联盟解散，即联盟成员自动由激活状态回到待命状态。

联盟形成原则是耗费系统资源最少、监控效果最好，而具体的联盟形成机制可以采用“基于遗传算法的多Ａｇｅｎｔ系统联盟机制”，该算法具有鲁棒性强、白适应性好、收敛速度快等优点。Ａｇｅｎｔ联盟作为多Ａｇｅｎｔ系统中一种重要的协调与合作手段，其工作机理已得到越柬越多的蕈视。

５结束语

与传统的视觉监控系统相比较．基于Ｍｕｌｔｉ—Ａｇｅｎｔ的分布式智能视觉监拧系统具有以Ｆ优点：

（１）集体智能件、实时性、灵活性；

（２）监控单元收集只与町疑事件ｓＦ有）乏的信息，币再需要将日常数据上传，大大减小ｒ系统的通信负载；

ａｎｄｔｈｅｉｒｄｏｎｍｉｎｓｆｏｒｎｅｕｒａｌｎｅｔｗｏｒｋｓ［Ｊ］ＩｎｔｅｒｎａｔｉｏｎａｌＪｏｕｍａｌｏｆＣｏｒｎ－ｐｕｔａｔｉｏｎａｌＩｎｔｅｌｌｉｇｅｎｃｅ．１９９５；１１（２）：３３９－３４７

１０ＪＷＧｕａｕ．ＤＡＢｅｌｌＲｏｕｇｈｃｍｎｐｕｔａｔｉｕｎＨｌｍｅｔｈｏｄｓｆｏｒｉｎｆｏｒｍａｔｉｏｎｓｙｓｔｅｍｓ［ｊ］ＡｒｔｉｆｉｃｉａｌＩｎｔｅｌｌｉｇｅｎｃｅｓ，１９９８；１０５（１／２）：７７－１０３

１１ＡＳｋｏｗｒｏｎ，ＣＲａｕｓｚｅｒＴｈｅｄｉｓｅｅｍｉｂｉｌｉｔｖｍａｔｒｉｃｅｓａｎｄｆｕｎｏｔｉｏｎｓｉｎｉｎｆｏｒｎｍｌｉｏｎｓｙｓｔｅ，ｎＩＣ］Ｉｎ：ＲＳｆｏｗｉｎｓｋｉｅｄＩｎｔｅｌｌｉｇｅｎｔＤｅｃｉｓｉｏｎＳｕｐｐｏｒｔＨａｎｄ枞ｏｆＡｐｐｌｉｃａｔｉｏｎｓａｎｄＡｄｖａｎｃｅｓｏｆ／＇ｈｅＲｏｕｇｈＳｅｔｓ

ｎｅｏｒｙ．Ｄｏｒｄｒｍｌ＿Ｉ：ＫｌｕｗｅｒＡｃａｄｅｎｉｌｅＰｕｂｌｉｓｈｅｒ８．１９９２：３３１～３６２

１２２Ｗａｎｇ．ＪＷａｎｇ．Ｒｅｄｕｃｔｉｏｎａｌｇ．ｒｉｔｈｍｓｂａｓｅｄＯＨｄｉｓｃｅｍｈｉｌｉｔｙｍａｔｒｉｘ：ｔｈｅｏｒｄｅｒｅｄａ．ｒｉｂｕｔｅｓｍｅｔｈｏｄ［Ｊ］．ＪｏｕｎｍｌｏｆＣｏｍｐｕｔｅｒＳｃｉｅｎｃｅ＆Ｔｅｅｈ—ｎｏｌｏｇｙ．２００１：１６（６）：４８９～５０４

１３．苗夺谦．胡桂荣知识约简的一种启发式算｛击叭计算机研究与发展，１９９９；３６（６）：６８１—６８４

１４周育健“规州＋例外”的学习与机器学习『Ｄ】硕士学位论文巾国科学院自动化研究所．１９９６

１５常犁云，王国胤，吴渝一种基于Ｒｏｕｇｈｓｅｔ理论的属性约倚及规则提取方法【ＪＩ．软件学报．１９９９；１０（１１）：１２０６～１２１１

１６．ＳＫＭＷｏｎｇ，ＷＺｉａｒｋｏＯｎｏｐｔｉｍａｌｄｅｃｉｓｉｏｎｒｕｌｅｓｉｎｄｅｃｉｓｉｏｎｔａ—ｈｌｅｓ［Ｊ１．ＢｕｌｌｅｔｉｎｏｆＰｏｌｉｓｈＡｃａｄｅｍｙｏｆＳｃｉｅｎｃｅｓ，１９８５：３３（１Ｉ—１２）：６９３—６９６

１７ＪＧｒｚｙｍａｌａ－ＢｕｓｓｅＭａｎａｇｉｎｇＵｎｃｅｒｔａｉｎｔｙｉｎＥｘｐｅｒｔＳｙｓｔｅｍｓ［ＭＩ１）ｏ卜ｄｒｅｃｈｔ：ＫＩｕｗｅｒＡｅａｄｅｍｉｃＰｕｂｌｉｓｈｅ口．１９９ｌ

（３）充分利用其各监控单元的优点，协同完成视觉监控任务，效果更好；

（４）可扩充性和容错性：Ｍｕｌｔｉ—Ａｇｅｎｔ系统采用的是松耦合的分散结构，一个或多个监控单元的加人、删除或出错时，整个监控系统影响不大；

（５）资源共享：通过即时通信以及全局知识库实现资源共享、程序共享。

该文的研究工作已在实验室完成，为宴际应用系统的研制开发提供了理沦指导、具体方法依据。（收稿日期：２００３年８月）

参考文献

１史忠植．智能主体及其应用［ＭＩ．科学出版社，２０（Ｘ）

２ＷｍｌｄｒｉｄｇｅＭＪ．ＪｅｎｎｉｎｇｓＮＲＩｎｔｅＵｉｇｅｎｔＡｇｅｎｔｓ：Ｔｈ∞ｒｙａｎｄＰｒａｃ—ｔｉｅｅ［１ｌＫｎｏｗｌｅｄｇｅＥｎ＃ｎｅｅｆｉｎｇＲｅｖｉｅｗ，１９９５：１０（２）：１１５～１５２

３ＢｒｕｃｅＡＭａｘｗｅｌｌ．ＮａｔｈａｎｉｅｌＦａｉｒｆｉａｉｄＡｒｅａｌ—ｔｉｍｅｖｉｓｉｏｎｍｏｄｕｌｅｆｏｒ

‘ｉｎｔｅｒａｃｔｉｖｅ

ｐｅｒｃｅｐｔｕａｌａｇｅｎｔ《Ｊ］．ＭａｃｈｉｎｅＶｉｓｉｏｎａｎｄＡｐｐｌｉｃａｔｉｏｎｓ，２００３；１４（Ｉ）：７２—８２

４ＢｅｍｌＳａｈｌｅｌｅ，ＧｅｒｈａｒｄＳａｇｅｒｅｒＣｏｍｐｕｔｅｒｙｉｓｉａｎｓｙｓｔｅｍｓ［Ｊ］ＭａｃｈｉｎｅＶｉｓｉｏｎａｎｄＡｐｐｌｉｃａｔｉｏｎｓ．２００３｝１４（１）：３－４

５ＭａｒｌｉｎＳｐｅｎｇｌｅｒ．ＢｅｍｔＳｃｈｉａｌｅ．Ｔｏｗａｒｄｓｒｏｂｕｓｔｍｕｌｔｉ—ｃｕｅｉｎｔｅｇｒａｔｉｏｎｆｏｒｖｉｓｕａｌｔｒａｅｋｉｎｇｌＪｌＭａｃｈｉｎｅＶｉｓｉｏｎａｎｄＡｐｐｌｉｃａｔｉｆｍｓ，２００３：１４１１）：５０—５８

６．ＣａｒｔｅｒＪｏｎａｔｈａｎ，ＢｉｌｌｉｎｇＥｌｉｊａｈ，ＧｈｏｒｂａｎｌＡｌｌＡＢｅｐｕｔａｔｉｏｎＦｏｒｍａｌｉｚａｔｉｏｎｆｏｒ∞Ｉｎｆｏｒｍａｔｉｏｎ—ＳｈａｒｉｎｇＭｕｈｉ－ＡｇｅｎｔＳｙｓｋＩｌｌ【＂ＣｏｍｐｕｔａｔｉｏｎａｌＩｎｔｅｌ一［ｉｇｅｎｅｅ，１８（４）：５１５－５３４

７．ＦｉｎｉｎＴ．ＬａｂｍｕＹＫＱＭＬ∞ａｎＡｇｅｎｔＣｏｍｍｕｎｉｃａｔｉｏｎＬａ．ｇｕａｇｅ［Ｍ］ＭＩＴＰｒｅｓｓ．１９９７：２９１—３１６

８．钟求軎，谢涛，陈火旺基于遗传算法的任务分配与调度【盯．计算机研究与发展．２０００：３７（１０）：１１９７—１２０３

９０ｎｎＳｈｅｈｏｒｙ．ＳｅｒｉｆＫｒａｕｓ．Ｔａｓｋａｌｌｏｃａｔｉｏｎｖｉａｃｏａｌｉｔｉｏｎｆｏｒｍａｔｉｏｎａｍｏｎｇａｕｔ㈣ｕ５

ａｇ∞Ｉｓ【ｃ］．Ｉｎ：ＰｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅＦｏｕｎｅｅｎｔｈＩｎｔｅｍａｔｉｏｎａｌＪｏｉｎｔＣｏｎｆｏｒｎｎｃｅｏⅡＡｒｔｉｆｉｃｉａｌＩｎｔｅｌｌｉｇｅｎｃｅ，Ｍｏｎｔｒｅａｌ．Ｃａｎａｄａ．ＭｏｒｇａｎＫａｕｆｎｍ．１９９５—０８：６５５—６６１

计算机工程与应用２００３，３Ｉ５ｌ