基于自适应混合禁忌搜索粒子群的连续属性离散化算法

　　针对粗糙集不能较好地处理连续型属性的问题，结合粗糙集理论和粒子群算法，提出基于自适应混合禁忌搜索粒子群的连续属性离散化算法。首先，该算法通过对参数的自适应更新操作，从而避免了粒子群出现早熟的现象；然后将粒子群当代得到的全局最优粒子送入禁忌算法中进行优化，有效地提升了算法的局部探索能力；在兼顾决策表系统一致性的同时，将划分的断点初始化为一群随机粒子，通过改进后粒子群的自我迭代得到最佳的离散化划分点。实验结果表明，与其他结合粗糙集的离散化算法相比，该算法具有更高的规则分类精度和较少的离散化断点个数，对连续属性的离散化效果较好。