改进的知识特征驱动的任务分解模型  

Improved Knowledge Characteristic-driven Task Decomposition Model

作　　者：凡少强 王国胤[1] 李美争[2] 

机构地区：[1]重庆邮电大学计算智能重庆市重点实验室,重庆400065 [2]西南交通大学信息科学与技术学院,成都610031

出　　处：《计算机科学》2014年第3期91-95,99,共6页Computer Science

基　　金：国家自然科学基金(61073146;61272060)资助

摘　　要：任务分解被广泛应用于解决大而复杂的问题,学者们已经提出了很多分解模型。知识特征驱动的任务分解模型在无需过多先验知识的情况下,就可以将原始问题分解成一系列子问题,然而这种分解方式却没有考虑对子问题噪点进行处理。在知识特征驱动下,利用马氏距离可以去除子问题的噪点,并对子问题空间进行扩充,这就得到了一种去除噪点的知识特征驱动的任务分解模型。该模型在处理双螺旋问题、UCI abalone数据集、UCI yeast数据集时,都得到了较高的精度,说明了其可行性和有效性。Task decomposition is widely used to solve those large-scale and complex problems.Many researchers have presented their task decompositions.Knowledge characteristic-driven task decomposition model can divide the original problem into several smaller tasks without much prior experience But this model forgets to treat the noisy point of subtask.Inserting a process of getting rid of noisy point and expanding the subtask,an improved knowledge characteristicdriven task decomposition model was obtained.We carried some experiments on two-spiral problem,UCI abalone data set and UCI yeast data set.The results show that our method can get a better accuracy.

关 键 词：任务分解 知识特征驱动 马氏距离 自动分解 

分 类 号：TP181[自动化与计算机技术—控制理论与控制工程]