近年来，随着工业化与信息化的深度融合，工业控制系统越来越多地使用公开的软件和标准化的协议，使得工业控制系统面临着越来越多的信息安全问题[1]，震网(Stuxnet)病毒[2]的爆发更是敲响了工控信息安全的警钟。入侵检测技术作为工控信息安全的重要防护手段，已成为国内外研究的热点。入侵检测技术本质上可以归类为模式识别中的分类技术，目前应用在工控入侵检测领域的分类算法主要有决策树[3]、朴素贝叶斯[3]、支持向量机[4]、人工神经网络[5]等。然而神经网络的结构不易确定且学习时间过长；支持向量机在处理大规模样本时将耗费大量的计算机系统资源；决策树存在着在噪声的情况下容易出现过拟合、影响分类精度等缺点。

随着卫生、计生资源的整合和力量的凝聚，宣传先行先导的地位更加凸显，如何做好新时期卫生计生宣传，为卫生计生改革发展营造良好社会环境是我们需要思考的迫切课题。

案例推理(Case-Based Reasoning，CBR)的基本思想是“相似的问题具有相似解”。1994年Aamodt 和Plaza[6]提出了经典的案例推理4R模型，即案例检索(Retrieve)、案例重用(Reuse)、案例修正(Revise)和案例存储(Retrain)。CBR算法具有结构简单、算法复杂度低、编程易实现等优点，能够在保证较短分类时间的同时拥有较高的分类精度。从案例推理分类器的研究成果来看，案例检索环节是主要的研究方向，而属性权重的选择会影响案例检索中相似度的计算。目前，案例推理已经广泛应用于医学、交通、经济、控制决策等领域。Kim等[7]利用遗传算法确定属性权重构成CBR分类器，并应用于建筑成本的估算中；赵辉等[8]将注水原理应用于属性权重的优化，有效提高了分类精度和效率；封超等[9]提出了一种基于粒子群和遗传算法的权重优化配置策略，根据历史案例的特点制定出当前突发事件的应急方案；Han等[10]提出了一种混合的CBR模型，将互信息(MI)引入到属性权重的确定过程中，构建了高精度的转炉炼钢终点模型。

在实际的工控系统数据集中存在大量冗余属性，这将直接影响案例检索精度和检索效率，因此在案例检索之前需要对案例属性进行约简。Liang等[11]提出了一种基于关联性和遗传算法的属性约简策略，与CBR结合有效预测了氧气转炉中的终点磷含量；Emary等[12] 首次将新型的灰狼算法(GWO)引入到属性约简中，通过实验证明了灰狼算法相比于粒子群算法和遗传算法具有更好的属性约简效果；Zheng等[13]提出了改进的粗糙集启发式属性约简算法，弥补了传统的启发式属性约简算法容易陷入局部最优属性子集的不足；Cervante等[14]提出了一种基于二进制粒子群和概率粗糙集(PSOPRS)的属性约简方案，实验证明其性能远远超过传统粗糙集(PSORS)；戴上平等[15]结合遗传算法和粒子群在群搜索中的各自优势，提出了将GA-PSO和粗糙集相结合的属性约简算法，但是该算法时间复杂度较大且粗糙集不适合处理连续性问题。

基于以上分析，本文将二进制形式的灰狼算法[16] (Grey Wolf Algorithm, GWO)与邻域粗糙集[17](Neighborhood Rough Set，NRS)理论结合获取最小相对属性集。邻域粗糙集可有效处理工控网络数据集中连续和离散数据，GWO算法结构简单且需要调节的参数少，可用于全局搜索最小相对属性集。获得新属性集后，基于重要度为每个属性分配权重，再结合CBR分类器构造出bGWO-NRS-CBR入侵检测分类模型，最后应用密西西比州立大学关键基础设施保护中心提出的天然气管道 SCADA 系统标准数据集[2]对本文模型进行实验验证，结果表明本文算法可以有效处理工控系统入侵检测问题。

1 理论基础

1.1 灰狼算法及其二进制形式

灰狼算法是一种新型群智能优化算法。它模拟灰狼的捕食行为，通过跟踪、包围、攻击猎物不断更新狼群位置，最终获得猎物的最优位置。狼群按照等级制度分为α、β、δ、Ω 4种灰狼。α狼处于统治地位，主要对捕食行为进行决策；β狼主要帮助α狼制定决策和其他集体活动；δ狼的职责是执行α狼和β狼的决策，同时统治Ω级别的灰狼；Ω狼服从比它高的3个级别狼的命令，并执行相应的行为。GWO算法已被证明在寻优过程中其收敛效果优于粒子群算法[16]。

海上千峰阁病舆，傍花随柳意何如？老谁静里都无事，笑此山中亦著书。帝伯皇王铺叙里，乾坤今古笑谈余。我看此意终谁领，略与人间一破除。

根据灰狼的捕食行为，GWO算法流程可以描述为：在l维空间中初始化一个灰狼种群，第i个灰狼位置可表示为Xi=(Xi1,Xi2,…,Xil)。 在种群更新时，由α、β 、δ 负责对猎物进行定位，群体内剩余的灰狼通过计算与猎物间的距离，完成对猎物的跟踪、包围和攻击。狼个体与猎物之间的距离 [16]可以表示为

 

(1)

其中：Xp(t)为第t代猎物的位置；X(t)为第t代狼个体的位置；r1为随机向量，其各元素的取值为[0,1]的随机数；C的元素在[0,2]取值，使灰狼在围绕猎物时，其下一代灰狼位置能够在一定范围内波动；C∘Xp(t)表示两向量的Hadamard积。

对于B⊆A，X⊆U，集合X在邻域关系N下的下近似上近似近似边界BN(X)以及负域NEG(X)定义为

“对，我刚才还看到宇晴那丫头在树下掉眼泪，就为了那几十头蠢驴子！总算你们四个孩子留下来，不然她竹篮打水一场空，还不哭上半宿？”乌有叹了一口气。

依据灰狼与猎物间的距离，由式(2)更新灰狼位置[16]：

 

(2)

其中：r2为各元素在[0,1]取随机值的向量；a随着迭代从2到0线性减少；Aw为收敛系数，使狼群围绕猎物的整体范围不断缩减。

输出 约简属性reduct(A)

M H Hong proposed the original idea and supervised the project. Y Zhou and M X Wu fabricated the samples and performed the measurements. L W Chen and M H Hong analysed the results and co-wrote the paper. All authors commented on the manuscript.

 

(3)

[3] BEAVER J M, BORGES-HINK R C, BUCKNER M A. An evaluation of machine learning methods to detect malicious SCADA communications[C]//International Conference on Machine Learning and Applications. USA: IEEE, 2013: 54-59.

(4)

 

(5)

由式(3)计算出灰狼个体与α、β 、δ的距离，然后由式(5)综合判断下一代灰狼的位置。

在属性约简中每个属性对应于二进制串的一位，例如一个长度为l的二进制串S=(s1,s2,…,sl)，si=1表示属性集中包含第i个属性，相反则不包含该属性。由式(5)求得的灰狼位置值为连续值，记Xp(t+1)=(xp1,xp2,…,xpl)，采用如下转换函数将连续位置转换成二进制形式[12]：

 

(6)

其中：i=1,2,…,l，rand为[0,1]的随机数；S(x)由S(x)=1/(1+e-6(x-0.5))确定。

1.2 邻域粗糙集

经典的粗糙集理论只适用于处理离散型信息，在处理连续型数据时需要离散化数据，而离散化必然会带来信息的丢失和计算成本的增加等问题。邻域粗糙集[17]可以有效处理连续型数据。

实施舒适护理以后，主要对两组患者的临床效果以及患者护理满意度进行观察。临床效果主要由专业人员对两组患者的实际治愈情况进行观察。患者护理满意度由专业人员结合两组患者护理的实际情况进行记录。

定义1 设NDS={U, A, D}为一个邻域决策系统，其中U={x1,x2,…,xn}为一个样本集合空间，集合A是条件属性，集合D是决策属性。在邻域决策系统中，∀B⊆A，∀xi⊆U，xi在子属性集B下的邻域δB(xi)定义为

δB(xi)={xj|xj∈U, ΔB(xi,xj)≤σ}, σ>0

(7)

其中：Δ是距离函数，∀x1,x2∈U，它们之间的距离函数可以表示为

 

f(x2,ai)|p)1/p

（1）限制患病仔猪的饲料供给，把饲料的可消化能降到正常值的50%。增加饲料中纤维素含量达到20%～25%，以增加肠的蠕动频率，加快食物通过小肠的速度，对便秘的患猪，每头喂服硫酸钠10～25 g或碳酸氢钠2～5 g，或大黄苏打片4～8 g。在日粮中添加健胃消食药物(按说明添加)。

用具有一定厚度内壁的没有缝隙的钢管，刚度和强度较强的接头管并且保持关内的直径总体小于墙体的厚度10到20毫米。如果直径低于这个范围则采用30-50t的起重机进行设备的起拔，如果接头管的内直径厚度大于20毫米就需要用到专业的更大的起重机，以保障最终接头管的接头工作顺利进行。整体的起拔工作过程中，为使得工作在限制的时间内完成，需要保证接头管起拔工作在初凝之前完工。如果碰上混凝土的出现接头管断裂现象，依照高压喷射所具备的特性可以及时的对断裂处进行补救。

(8)

由式(7)可知，样本的B邻域为所有样本中与该样本距离小于σ的样本集合。

定义2 在邻域决策系统NDS={U, A, D}中，集合{δ(xi)|i=1,2,…,n}构成了样本空间U的覆盖。U上的一个邻域关系可以由关系矩阵R(N)=(rij)n×n 表示：

 

(9)

传统制造业要成功实现数字化转型升级，除了需要坚定信念、顶层设计和团队建设以外，还需要针对生产、管理现状和问题大胆变革，勇于创新。

 

(10)

∅, xi∈U}

通过前文的论述应该明确，中水回用方式无论采用间接还是直接，对于城市基础设施建设情况的考验都十分巨大。城市建设水平的不足，直接导致城市建筑中水回用能力低下，无法实现高效率的水资源利用，最终影响中水回用水平。但就目前的发展情况来看，国内大部分城市虽然在数十年间建立了中水设施，但是却缺乏规模化，大量的中水系统设施被闲置、城市管理运行能力不足，最终导致中水回用成本大幅度增加。相关统计显示，2017年北京、天津两市的中水系统所完成的中水回用效率不足设计预算标准的50%，这一现象表明，城市中水回用系统并未能够如期发挥作用[2]。

(11)

 

(12)

∅,

xi∈U}

(13)

Step 3 初始化灰狼种群，依据初始化参数，构建种群大小为P，长度为l的灰狼个体。

 

(14)

 

(15)

 

(16)

其中下近似也称为决策属性D关于B的正域，记为POSB(D)。那么决策属性D关于条件属性B的依赖度定义为

 

(17)

其中|U|表示U的基数。依赖度体现了决策D对条件B的依赖程度，γB(D)是单调的，即如果B1⊆B2⊆…⊆A，则γB1(D)≤γB2(D)≤…≤γA(D)。

定义4 属性a在B中的重要度可以定义为

 

(18)

当sig(a,B,D)=0时，显然属性a是冗余的。依据重要度可以确定属性在案例推理中的权重。

1.3 CBR分类器原理

案例推理4R模型[6]的原理如图1所示。

  

图1 案例推理4R模型Fig.1 Case-based reasoning 4R model

案例推理分类器的求解过程如下：

设历史案例库中的案例可以用如下二元组表示：

Ck:〈Xk,Yk〉, k=1,2,…,n

(19)

其中：Xk和Yk分别为每条案例的问题描述和分类结论；n表示历史案例库中的案例总数。Xk可以用特征向量表示：

Xk=(x1,k,x2,k,…,xi,k,…,xm,k)

(20)

其中：xi,k表示第k条案例的第i个属性特征值；m为案例属性的个数。

设目标案例为X=(x1,x2,…,xm)，其分类结论为Y，采用KNN检索策略，基于欧氏距离计算出目标案例与每条源案例的相似度，记为

 

k=1,2,…,n,

 

(21)

其中，ωi是第i个属性对应的权重。属性的重要程度越大，为该属性分配的权重越大。

在得到案例库中的n个案例与目标案例的相似度后，将相似度降序排列：

 

(22)

选取前K个相似度对应的源案例为C1,C2,…,CK，可以采用最大相似度重用方式(K=1)或多数重用方式(K>1且K为奇数)得到目标案例的分类结果。

 

(23)

2 bGWO-NRS-CBR算法

2.1 属性简约算法

在工控入侵检测系统中，为了尽可能从网络数据流检测出入侵行为，在构建数据集时尽可能包容更多的属性，从而造成数据的冗余。CBR分类器对冗余属性产生的干扰十分敏感[8]，这不仅会导致分类结果的准确度下降，也会增加案例检索时间，因此，需要对案例属性进行约简。本文采用一种基于bGWO-NRS的属性约简方法。灰狼算法的适应度函数如下：

 

(24)

其中：γB(D)为决策属性关于条件属性集B的依赖度；lp为灰狼个体p中基因为1的个数；系数k1，k2用于调节依赖度和属性个数之间的平衡关系，优化目标是在获得较大依赖度的同时保证较少的约简属性个数。

bGWO-NRS的算法步骤如下：

输入 邻域决策系统NDS={U, A, D}

在每一代的寻优中，α、β 、δ最靠近目标，利用这三者来判断目标所在的位置，狼群中灰狼个体跟踪目标方位的数学描述如下：

为了进一步促进农业供给侧框架变革，深度发掘农业潜力，需要注重培育工作，按照科教兴农新战略思路发展。而新型培育思路的重点是注重技术、文化、经营、人才和扶贫等一体化发展。

Step 1 计算决策属性D关于条件属性A的依赖度γA(D)。

Step 2 reduct(A)=φ，逐一去掉属性ai∈A，若γA-ai(D)≠γA(D)，则reduct(A)=reduct(A)∪ai。若γreduct(A)(D)=γA(D)，则γreduct(A)(D)即为A的约简属性；否则转到Step 3。

定义3 对于邻域决策系统NDS={U, A, D}，依据决策属性D将样本分为X1,X2,…,XN，∀B⊆A，那么D关于B的下近似上近似和近似边界BN(D)定义为

Step 4 更新位置。由式(24)计算灰狼个体的适应值，根据适应值将前3个最优的个体依次作为α、β 、δ的值，并由式(5)更新每个个体的位置。

Step 5 由式(6)灰狼的位置向量转换成二进制形式。

Step 6 判断算法是否满足终止条件。若迭代次数已达到最大进化代数或者连续T代适应值不再发生变化，则将α狼的位置作为最优个体输出，得到约简属性reduct(A)；否则转到Step 4。

2.2 CBR权重分配

由式(21)可知，属性权重的分配将直接影响到案例检索的结果。本文采用基于属性重要度的权重分配策略，在得到约简属性reduct(A)的基础上，由式(18)计算出每个属性ai的重要度sig(ai)，重要度越大，相应的特征权重也越大。采用如下方式对重要度进行处理，得到每个属性对应的权重：

 

(25)

其中，q为约简后属性的个数。

然而，有些调研，根本不利于工作。据中央电视台《焦点访谈》报道，在江西某市辖区，2017年7月的22个工作日中，先后有12名市厅级干部到区里调研。几点几分到哪里，参观什么、听谁介绍、停留多长时间，几点几分离开，前往下一个地方，都有完备“脚本”。而有些地方更是像打造旅游路线一样打造“经典调研线路”，无论什么调研主题，领导干部们走的都是同一条线，访的是同一批对象，听的是同一套说辞。

bGWO-NRS-CBR算法整体流程如图2所示。

  

图2 bGWO-NRS-CBR入侵检测模型流程图Fig.2 Flow chart of bGWO-NRS-CBR intrusion detection model

3 仿真实验

3.1 数据源与数据预处理

图4所示为bGWO-NRS-CBR入侵检测模型对 1 000 组测试数据的分类结果标签与实际的类别标签的对比图。从图中可以直观观察出测试数据和错误分类数据的分布。

 

表1 数据描述Table 1 Data description

  

攻击形式标签值描述Normal1正常数据NMRI2简单的恶意响应注入攻击CMRI3复杂的恶意响应注入攻击MSCI4恶意状态命令注入攻击MPCI5恶意参数命令注入攻击MFCI6恶意功能命令注入攻击DoS7拒绝服务攻击RECO8侦查攻击

从数据集中随机取出 5 000 条数据进行实验，由于数据的不同特征采用不同的度量，为消除这些差异对分类结果的影响，采用公式对数据进行归一化处理。

3.2 仿真环境设置

实验数据包括 4 000 条历史库数据和 1 000 条案例数据，在5折交叉验证意义下计算分类的精确度。整个CBR系统由Matlab2016a软件编程实现，仿真平台：Intel i5-2450M CPU 2.5 GHz，4 G内存，Win7 64位操作系统。初始化参数：灰狼种群大小P=20，最大迭代次数设置为60，适应度函数系数k1=10，k2=0.1，粗糙集邻域大小σ=0.2。案例重用选择多数重用方式，K=5。

3.3 仿真结果及分析

为验证bGWO-NRS约简算法的优越性，首先对bGWO-NRS、基于遗传算法和邻域粗糙集(GA-NRS)、基于二进制粒子群[14]和邻域粗糙集(bPSO-NRS) 3种属性约简算法进行仿真实验。GA-NRS和bPSO-NRS的种群数量、迭代次数、适应度函数系数、邻域大小均与bGWO-NRS相同；GA交叉概率为0.7，变异概率为0.08；bPSO的学习因子c1=c2=1.55，惯性权重从 0.9 到 0.4 线性减少。对3种算法的收敛速度、适应度值、平均时间开销和属性约简率进行比较，仿真结果如图3和表2所示。

土壤是人类赖以生存的资源，也是大自然最具循环能力的资源，由于现代工业的不断发展，大量重金属进入土壤，导致土壤严重恶化[1-2]。重金属在土壤中的积累、迁移不仅危害区域生态安全[3-4]，影响动植物的生长发育[5]，而且通过食物链进入人体[6-7]，危害暴露区人体健康[8]，导致一些慢性病、畸形、癌症等的发生[9]。矿区和冶炼区产生的废水、废气、废渣的外排对当地的土壤构成污染，容易产生土壤重金属污染，这些地区植物中重金属含量是否超标一直是比较受关注的问题。

  

图3 基于重要度的3种算法迭代曲线Fig.3 Three algorithms’ iteration curves based on significance

 

表2 属性约简算法的仿真结果Table 2 Simulation results of attribute reduction algorithm

  

算法未约简属性数约简后属性数约简率/%平均运行时间/sbGWO⁃NRS261350．00400．24bPSO⁃NRS261638．46419．05GA⁃NRS261542．31396．75

从图3可以看出，bGWO-NRS收敛速度最快，在第10代左右就收敛到最优，且最优适应度值大于bPSO-NRS和GA-NRS。同时由表2知，bGWO-NRS与遗传算法相比，虽然运行时间相对较长，但可以获得最小相对属性约简子集，约简后属性个数由原来的26个减少为13个，约简比例为 50.00%。可以证明bGWO-NRS能够在保证收敛速度相对快的前提下，得到最大的适应度值和最小相对属性集。

为验证bGWO-NRS可以有效提高CBR的分类效率和精度以及本文权重选择方案的有效性，本文针对未约简属性集和由bGWO-NRS算法约简后的属性集，分别选择均权值CBR、基于GA的权重选择(GA-CBR)、基于粒子群的权重选择(PSO-CBR)以及文献[8]所提基于注水原理的权重选择(WF-CBR)进行仿真。其中GA采用实数编码方式，种群大小为20，最大迭代次数为40，交叉概率和变异概率分别为 0.7 和 0.08；PSO种群大小和迭代次数与GA相同，学习因子c1=c2=1.49，惯性权重从0.9到0.4线性减少，最大速率Vmax=0.5，最小速率Vmin=-0.5，最大位置为1，最小位置为0。计算分类器的检测率、误报率、漏报率[4]的平均值和平均运行时间，并与本文基于重要度的权重选择方案(SIG-CBR)进行比较。5种算法的检测结果如表3和表4所示。

 

表3 未约简数据集的检测结果Table 3 Detection results without attribute reduction

  

算法检测率/%误报率/%漏报率/%平均运行时间/sCBR91．01．686．043．04GA⁃CBR93．71．245．06262．45PSO⁃CBR95．40．243．14300．30SIG⁃CBR94．51．565．0229．00WF⁃CBR87．83．668．502．24

 

表4 约简数据集的检测结果Table 4 Detection results with attribute reduction

  

算法检测率/%误报率/%漏报率/%平均运行时间/sCBR93．11．504．222．03GA⁃CBR95．30．423．36228．87PSO⁃CBR96．20．243．04221．27SIG⁃CBR97．40．242．1011．07WF⁃CBR90．83．687．521．57

对比表3和表4，在属性约简后，每种分类算法的平均运行时间都普遍降低，其中SIG-CBR分类算法的运行时间由 29.00 s减少到 11.07 s，时间约简程度达到62%，且在检测率方面，除PSO-CBR检测率的提升不明显外(0.8%)，其他算法的检测率都有显著的提升,证明本文bGWO-NRS属性约简策略可以有效提高CBR分类器的精度和效率。

从表4可以看出5种权重分配策略在属性约简后的检测效果，SIG-CBR的检测率为 97.4%，在上述算法中的检测率最高，误报率仅为 0.24%，漏报率为 2.10% 均低于其他算法。PSO-CBR的检测率与SIG-CBR较为接近，但是PSO-CBR的权重选择算法时间复杂度大，在属性约简后的运行时间是本文算法的20倍；WF-CBR的运行时间最短，但是检测效果最差。综合考虑分类器的运行时间和精度，SIG-CBR性能最佳。

本文采用由密西西比州立大学2014年提出的工控入侵检测标准数据集[2]，数据源为天然气管道控制系统的网络层数据，数据经过数值化处理可以分为8类，包含7种不同类别的攻击数据和正常数据。X=(x1,x2,…,xn,y)代表数据集中的一条数据，其中x1,x2,…,xn为每条数据的特征，y为每条数据的类别标签。本文所用的数据集共包含26个特征和1个类别标签。数据的攻击类别与相应的类别标签如表1所示。

  

图4 bGWO-NRS-CBR分类器入侵检测结果Fig.4 Intrusion detection results of bGWO-NRS-CBR classifier

4 结束语

工业控制系统网络层数据兼具连续和离散属性，通常维数较高，同时存在较强的冗余性。本文首先采用新兴灰狼算法并结合粗糙集理论寻找最小相对属性子集，将原始工控数据集的26个属性约简为13个，并通过实验证明bGWO-NRS相比于粒子群和遗传算法具有更好的收敛速度和属性约简效果。然后针对未约简属性集和约简后的属性集，使用工控标准数据集进行5种分类算法的仿真实验，结果表明bGWO-NRS能有效提高分类精度和效率，且基于重要度的CBR分类算法与另外4种CBR算法相比，在属性约简后分类精度最高，分类时间较短。验证了bGWO-NRS-CBR入侵检测模型在实际工程应用场景中的有效性，拓展了CBR算法的应用领域。

参考文献：

[1] FAN X, FAN K, WANG Y, et al. Overview of cyber-security of industrial control system[C]//International Conference on Cyber Security of Smart Cities, Industrial Control System and Communications. USA: IEEE, 2015: 1-7.

[2] NADER P, HONEINE P, BEAUSEROY P. One-class classification for intrusion detection in SCADA systems[J]. IEEE Transactions on Industrial Informatics, 2014, 10(4):2308-2317.

[4] 杨智慧, 王华忠, 颜秉勇, 等. 基于改进粒子群优化 SVM 的多分类入侵检测研究[J]. 广西大学学报(自然科学版), 2016, 41(3): 779-785.

[5] GAO W, MORRIS T, REAVES B, et al. On SCADA control system command and response injection and intrusion detection[C]//Ecrime Researchers Summit. USA: IEEE, 2010: 1-9.

[6] AAMODT A, PLAZA E. Case-based reasoning: Foundational issues, methodological variations, and system approaches[J]. AI Communications, 1994, 7(1): 39-59.

[7] KIM S, SHIM J H. Combining case-based reasoning with genetic algorithm optimization for preliminary cost estimation in construction industry[J]. Canadian Journal of Civil Engineering, 2013, 41(1): 65-73.

[8] 赵辉, 严爱军, 王普. 提高案例推理分类器的可靠性研究[J]. 自动化学报, 2014, 40(9): 2029-2036.

2016年，冯建宁参加了全国现代青年农场主高级研修班，了解到依托“互联网+”方式进行网络销售农产品，立即建立微信公众号 “草窝儿”，打造以苹果、核桃为主的电商服务平台，目前，合作社生产的苹果、核桃通过互联网销售至全国各地，甚至远销海外，合作社每年通过微信销售到全国各地的核桃就有2万余斤，收益30余万元。

[9] 封超, 杨乃定, 桂维民, 等. 基于案例推理的突发事件应急方案生成方法[J]. 控制与决策, 2016, 31(8): 1526-1530.

[10] HAN M, CAO Z J. An improved case-based reasoning method and its application in endpoint prediction of basic oxygen furnace[J]. Neurocomputing, 2015, 149: 1245-1252.

[11] LIANG Y, WANG H, XU A, et al. A two-step case-based reasoning method based on attributes reduction for predicting the endpoint phosphorus content[J]. ISIJ International, 2015, 55(5): 1035-1043.

[12] EMARY E, ZAWBAA H M, HASSANIEN A E. Binary grey wolf optimization approaches for feature selection[J]. Neurocomputing, 2016, 172: 371-381.

[13] ZHENG K, HU J, ZHAN Z, et al. An enhancement for heuristic attribute reduction algorithm in rough set[J]. Expert Systems with Applications, 2014, 41(15): 6748-6754.

[14] CERVANTE L, XUE B, SHANG L, et al. Binary particle swarm optimisation and rough set theory for dimension reduction in classification[C]//2013 IEEE Congress on Evolutionary Computation (CEC). USA: IEEE, 2013: 2428-2435.

[15] 戴上平, 刘素军, 郑素菲. 基于 GA-PSO 的粗糙集属性约简算法[J]. 计算机工程与科学, 2015, 37(2): 397-401.

[16] MIRJALILI S, MIRJALILI S M, LEWIS A. Grey wolf optimizer[J]. Advances in Engineering Software, 2014, 69(3): 46-61.

[17] 胡清华, 于达仁, 谢宗霞. 基于邻域粒化和粗糙逼近的数值属性约简[J]. 软件学报, 2008, 19(3): 640-649.