CN103838972B - 一种用于mri病历属性约简的量子协同博弈实现方法 - Google Patents

Abstract

本发明公开了一种用于MRI病历属性约简的量子协同博弈实现方法，首先初始化进化种群，将MRI病历属性通过竞争协同自适应划分到不同的进化子种群中，并在各进化子种群中进行各自优秀种群精英选取；其次在MRI属性约简时将信任裕度报酬机制引入到种群精英量子协同博弈模型中，构建种群精英信任裕度效用矩阵；再次各种群精英在每个划分的MRI病历属性子集中通过量子协同博弈策略求得各自最优约简子集，从而稳定取得Nash均衡下MRI病历全局最优属性约简集；最后进行MRI属性约简性能评估，判断其属性约简精度是否满足要求。本发明能较好地克服MRI病历中存在着噪音和灰度不均匀性，具有较高的MRI病历属性约简效率、准确性和稳定性。

Description

一种用于MRI病历属性约简的量子协同博弈实现方法

技术领域：

本发明涉及到医学信息智能处理领域，具体来说涉及一种用于MRI病历属性约简的量子协同博弈实现方法。

背景技术：

电子病历蕴藏着巨大的潜在应用价值，其属性约简广泛存在于临床特征选择和决策支持系统中，是众多应用的核心支撑技术。由于病历数据属性所具有的多样性、不确定性、不完整性和动态性等不完备特征，给电子病历属性约简带来了较大挑战性。目前核磁共振成像(Magnetie Resonanee Imaging，MRI)技术已成为电子病历系统中临床疾病诊断的重要辅助手段，较好地进行MRI病历脑软组织(包括灰质、白质)和脑脊液正确分割，对脑功能、病理及其解剖研究与分析，对医生判断疾病的真实情况并作出正确的诊断计划具有重要的指导意义。然而MRI病历在实际图像成像过程中极易受噪声、射频场不均匀性以及容积效应等因素影响，导致各软组织之间边界比较模糊、不明确和不连续，给MRI病历相关属性特征的准确约简、分割和提取等造成较大困难。

发明内容：

本发明的目的是提供一种具有较高的电子病历MRI属性约简效率、准确性和稳定性的用于电子病历MRI属性约简的量子混合协同博弈实现方法。

本发明通过以下的技术方案实现的：

一种用于MRI病历属性约简的量子协同博弈实现方法，具体步骤如下：

A、MRI病历属性约简中基于竞争协同的属性子集划分和子种群精英选取实现方法：该方法通过竞争协同机制将MRI病历属性进行子适应划分到不同的进化子种群中，并在各进化子种群中进行各自优秀种群精英Elitist_i的选取；

B、MRI病历属性约简中种群精英信任裕度效用矩阵构建实现方法：将参与MRI病历属性约简的各种群精英分别分配信任裕度，构建信任裕度效用矩阵，使得各种群精英Elitist_i通过其相应信任裕度动态调整将形成稳定均衡价，保证参与属性演化约简的各种群精英效用均能达到各自最佳值；

C、MRI病历属性约简中种群精英量子种群博弈策略实现方法：构建一种种群精英量子种群博弈策略进行MRI病历属性约简，通过各子种群精英Elitist_i在博弈中Nash均衡，使属性约简中各子种群精英Elitist_i的策略均是对博弈对方Elitist_j策略的最优反应，各种群精英根据相互博弈时观测到的情况将不断调整自身策略，从而最终地达到病历MRI属性演化约简的稳定态；

D、种群精英量子种群博弈后，计算各进化子种群精英个体Elitist_i在各自MRI病历属性子集上所取得目标适应度函数值Fitness(Elitist_i)，取进化种群中所有精英个体在各自分配信任裕度下适应度的平均值为该种群的最优适应度值，即

$\stackrel{\‾}{F\left(x\right)}=\frac{1}{n}\underset{i=1}{\overset{n}{\Σ}}\left(Fitness\right({\mathrm{Elitist}}_i)\×\frac{\left|R_{{\mathrm{TM}}_i}\right|}{\left|R_{TM}\right|})$

E、上述各子种群精英Elitist_i在MRI病历上量子协同博弈后，求出精英在其进化子种群上取最优适应度时所对应的病历MRI属性约简子集Red(C)_i，从而取得MRI病历全局最优属性约简集为

F、评估求得的MRI病历全局最优属性约简集，判断其是否满足MRI属性约简精度要求，如满足，则输出MRI病历全局最优属性约简集RED_opt；不满足，则重复进行上述过程。

本发明的进一步改进在于：步骤A中所述的MRI病历属性约简中基于竞争协同的属性子集划分和子种群精英选取实现方法，具体步骤如下：

a、设计进化种群为Pop，MRI病历属性集为C，将参与MRI病历属性约简的进化种群划分为n个相同大小的子种群Pop_i(i＝1,2,...n)，每个子种群Pop_i被分配一个表示MRI病历属性子集C_i(i＝1,2,...n)的概率ξ_i，即子种群Pop_i表示MRI病历属性子集C_i的概率，初始概率值ξ_i均设为即所有子种群在参与MRI病历属性约简时都有相同的表示概率；

b、随着各子种群Pop_i的进化，其表示MRI病历属性子集C_i的概率ξ_i将自适应变化。在开始迭代时，第i个MRI病历属性子集C_i被分配到第i个子种群Pop_i中；在接下来的第(k+1)次迭代中，各进化子种群Pop_i表示第j个MRI病历属性子集C_j的概率定义如下：

$P_{i,j}(k+1)=P_{i,j}\left(k\right)+\frac{1}{n}\×\underset{k=1}{\overset{n}{\Σ}}\frac{e^{{\mathrm{\α}}_k}}{\sqrt{2}}$

其中α_k(α_k∈[0.5,1])为子种群的学习率，子种群的选择概率将随着MRI病历属性子集约简过程的增加而自适应增大；

c、计算进化子种群Pop_i表示第j个MRI病历属性子集C_j的平均概率P_i,j为

$P_{i,j}=\frac{1}{n}\underset{k=1}{\overset{n}{\Σ}}{P}_{i,j}\left(k\right)$

d、构造子种群表示MRI病历属性的概率矩阵如下：

e、在上述概率矩阵中比较n个子种群表示第j个MRI病历属性子集C_j概率值大小，选出其中概率值最大的子种群Pop_i，即可确定由该子种群来优化MRI病历属性子集C_j；

f、计算每个子种群Pop_i中每个进化个体的适应度Fitness(x)，选出其中最优适应度个体即为该子种群的最优精英个体Elitist_i。

本发明的进一步改进在于：步骤B中所述的MRI病历属性约简中种群精英信任裕度效用矩阵构建实现方法，具体步骤如下：为保证参与MRI病历属性约简的各种群精英在演化约简过程中整体性能达到最优，对各子种群精英Elitist_i的合作行为给予相应报酬激励，即确定某一精英在协同演化过程中支付给其他博弈精英的报酬值，可较好提高种群精英在属性子集中求最优约简子集性能，为此本发明定义从每个子种群中选出精英Elitist_i的相应信任度权重为信任裕度，整个种群精英信任裕度效用矩阵R_TM定义如下：

式中为第i个子种群精英对整个种群所有博弈精英产生的信任裕度矢量值，其中对第j个种群精英产生的信任裕度值为

$r_{{\mathrm{TM}}_{ij}}={\mathrm{\ρ}}_i/{\∂}_j,(1\≤i,j\≤n,i\≠j)$

式中参数ρ_i为第i个子种群内进化个体向所在种群内适应度最优解Fitness(x)_b和适应度最差解Fitness(x)_w学习的学习因子，其中

${\mathrm{\ρ}}_i=\frac{Fitness{\left(x\right)}_b}{Fitness{\left(x\right)}_b+Fitness{\left(x\right)}_w};$

式中参数为第j个子种群向全局平均适应度最好子种群解Fitness(x)_B和最差子种群解Fitness(x)_W学习的学习因子，其中

${\∂}_j=\frac{Fitness{\left(x\right)}_B}{Fitness{\left(x\right)}_B+Fitness{\left(x\right)}_W};$

该信任裕度效用矩阵R_TM将决定属性博弈约简过程中各博弈精英策略的优劣程度，各种群精英Elitist_i通过其相应信任裕度的动态调整将形成稳定均衡价，使各种群精英参与属性演化约简效用最终能达到共赢。

本发明的进一步改进在于：步骤C中所述MRI病历属性约简中种群精英量子种群博弈策略具体步骤如下：

a、令每个参与属性演化约简的进化子种群Pop_i上种群精英Elitist_i状态为将该种群所有精英状态进行归一化处理后为

b、通过量子门将种群精英状态进行纠缠，形成种群精英初始状态为

其中

c、将各进化子种群精英Elitist_i策略分别赋以相应酉算子

${\hat{U}}_i(\mathrm{\θ},\mathrm{\φ})=\left[\begin{array}{cc}{e}^{i\mathrm{\φ}}\cos (\mathrm{\θ}/2)& \sin (\mathrm{\θ}/2)\\ -\sin (\mathrm{\θ}/2)& e^{-i\mathrm{\φ}}\cos (\mathrm{\θ}/2)\end{array}\right]$

(0≤θ≤π,0≤φ≤π/2)

当各种群精英相互博弈后，参与属性演化约简的种群精英Elitist_i所对应的进化子种群状态将被调整为Pop_i′；

d、通过量子门解纠缠，求得参与属性演化约简种群精英的最终状态如下：

随着量子纠缠度γ增大，各种群精英在属性演化约简博弈时将根据其信任裕度效用收益不断调整自身策略，使博弈各方效用更易趋向于博弈Nash均衡点。实验结果表明随着各种群协同博弈进化，量子博弈后的各进化子种群Pop_i′上种群精英将通过确定最佳协同策略使其效能均能达到各自最优，在每个划分的MRI病历属性子集上可快速而稳定求解到各自最佳属性约简集。

本发明与现有技术相比具有如下优点：

1.稳定性好

本方法设计的种群精英在基于信任裕度效用矩阵的量子协同博弈均衡演化机制驱动下，通过确定各自最佳协同博弈策略均能达到各自属性约简的最优效能，其求解效率和性能优于现有的同类算法，能快速取得Nash均衡下全局最优属性约简集。种群精英量子协同博弈机制的引入使参与属性约简的种群精英寻优性能得到较大幅度的提高，可稳定取得Nash均衡下全局最优属性约简集，这是目前一般MRI病历属性约简方法所无法达到的全局稳定性。

2.易于构造

本方法所设计的每个子种群精英所分配的信任裕度效用矩阵中各信任裕度简洁，精英量子协同博弈策略中各量子门数规整、相邻间纠缠和博弈策略简单，博弈策略整个流程易于控制和构造，便且于实际编程实现。

3.较高的MRI病历属性最优约简效果

本方法设计的种群精英通过获得各自MRI属性特征约简最优值而达到MRI属性约简整体最优，能高效快速的完成MRI图像属性约简，且对高斯噪声等灰度不均匀性具有较好抑止作用。本方法对MRI病历轮廓线的初始位置敏感度较强，分割曲线基本可准确定位到MRI病历目标边界处，分割效果较符合实际解剖结构结果，为脑疾病早期辅助诊断和预警等提供重要的决策支持分析等。

附图说明

图1为本发明的总体结构图；

图2为本发明的实现流程图；

图3为种群精英量子协同博弈策略流程图。

具体实施方式

为了加深对本发明的理解，下面将结合实施例和附图对本发明作进一步详述，该实施例仅用于解释本发明，并不构成对本发明保护范围的限定。

本发明具体通过以下的技术方案实现的：

如图1和图2所示,一种用于MRI病历属性约简的量子协同博弈实现方法，具体步骤如下：

A、MRI病历属性约简中基于竞争协同的属性子集划分和子种群精英选取实现方法：该方法通过竞争协同机制将MRI病历属性自适应划分到不同的进化子种群中，并在各进化子种群中进行各自优秀种群精英Elitist_i；具体步骤如下：

a、设计进化种群为Pop，MRI病历属性集为C，将参与MRI病历属性约简的进化种群划分为n个相同大小的子种群Pop_i(i＝1,2,...n)，每个子种群Pop_i被分配一个表示MRI病历属性子集C_i(i＝1,2,...n)的概率ξ_i，即子种群Pop_i表示MRI病历属性子集C_i的概率，初始概率值ξ_i均设为即所有子种群在参与MRI病历属性约简时都有相同的表示概率；

b、随着各子种群Pop_i的进化，其表示MRI病历属性子集C_i的概率ξ_i将自适应变化。在开始迭代时，第i个MRI病历属性子集C_i被分配到第i个子种群Pop_i中；在接下来的第(k+1)次迭代中，各进化子种群Pop_i表示第j个MRI病历属性子集C_j的概率定义如下：

$P_{i,j}(k+1)=P_{i,j}\left(k\right)+\frac{1}{n}\×\underset{k=1}{\overset{n}{\Σ}}\frac{e^{{\mathrm{\α}}_k}}{\sqrt{2}}$

其中α_k(α_k∈[0.5,1])为子种群的学习率，子种群的选择概率将随着MRI病历属性子集约简过程的增加而自适应增大；

c、计算进化子种群Pop_i表示第j个MRI病历属性子集C_j的平均概率P_i,j为

$P_{i,j}=\frac{1}{n}\underset{k=1}{\overset{n}{\Σ}}{P}_{i,j}\left(k\right)$

d、构造子种群表示MRI病历属性的概率矩阵如下：

e、在上述概率矩阵中比较n个子种群表示第j个MRI病历属性子集C_j概率值大小，选出其中概率值最大的子种群Pop_i，即可确定由该子种群来优化MRI病历属性子集C_j；

f、计算每个子种群Pop_i中每个进化个体的适应度Fitness(x)，选出其中最优适应度个体即为该子种群的最优精英个体Elitist_i。

B、MRI病历属性约简中种群精英信任裕度效用矩阵构建实现方法：将参与MRI病历各属性子集约简的种群精英分别分配信任裕度，构建信任裕度效用矩阵，使得各种群精英Elitist_i通过其相应信任裕度动态调整将形成稳定均衡价，使各种群精英参与属性演化约简效用均能达到各自最佳；具体步骤如下：为保证参与MRI病历属性约简的各种群精英在演化约简过程中整体性能达到最优，对各子种群精英Elitist_i的合作行为给予相应报酬激励，即确定某一精英在协同演化过程中支付给其他博弈精英的报酬值，可较好提高种群精英在属性子集中求最优约简子集性能，为此本发明定义从每个子种群中选出精英Elitist_i的相应信任度权重为信任裕度，整个种群精英信任裕度效用矩阵R_TM定义如下：

式中为第i个子种群精英对整个种群所有博弈精英产生的信任裕度矢量值，其中对第j个种群精英产生的信任裕度值为

$r_{{\mathrm{TM}}_{ij}}={\mathrm{\ρ}}_i/{\∂}_j,(1\≤i,j\≤n,i\≠j)$

式中参数ρ_i为第i个子种群内进化个体向所在种群内适应度最优解Fitness(x)_b和适应度最差解Fitness(x)_w学习的学习因子，其中

${\mathrm{\ρ}}_i=\frac{Fitness{\left(x\right)}_b}{Fitness{\left(x\right)}_b+Fitness{\left(x\right)}_w};$

式中参数为第j个子种群向全局平均适应度最好子种群解Fitness(x)_B和最差子种群解Fitness(x)_W学习的学习因子，其中

${\∂}_j=\frac{Fitness{\left(x\right)}_B}{Fitness{\left(x\right)}_B+Fitness{\left(x\right)}_W};$

该信任裕度效用矩阵R_TM将决定属性博弈约简过程中各博弈精英策略的优劣程度，各种群精英Elitist_i通过其相应信任裕度的动态调整将形成稳定均衡价，使各种群精英参与属性演化约简效用最终能达到共赢。

C、MRI病历属性约简中种群精英量子种群博弈策略实现方法：构建一种种群精英量子种群博弈策略进行MRI病历属性约简，通过各子种群精英Elitist_i在博弈中Nash均衡后，使得属性约简中各博弈各子种群精英Elitist_i的策略均是对方Elitist_j策略的最优反应，各种群精英根据相互博弈时观测到情况将不断调整自身策略，从而较好地达到病历MRI属性演化约简的稳定态；如图3所示，策略的具体步骤如下：

a、令每个参与属性演化约简的进化子种群Pop_i上种群精英Elitist_i状态为将该种群所有精英状态进行归一化处理后为

b、通过量子门将种群精英状态进行纠缠，形成种群精英初始状态为

其中

c、将各进化子种群精英Elitist_i策略分别赋以相应酉算子

${\hat{U}}_i(\mathrm{\θ},\mathrm{\φ})=\left[\begin{array}{cc}{e}^{i\mathrm{\φ}}cos(\mathrm{\θ}/2)& sin(\mathrm{\θ}/2)\\ -sin(\mathrm{\θ}/2)& e^{-i\mathrm{\φ}}\cos (\mathrm{\θ}/2)\end{array}\right]$

(0≤θ≤π,0≤φ≤π/2)

当各种群精英相互博弈后，参与属性演化约简的种群精英Elitist_i所对应的进化子种群状态将被调整为Pop_i′；

d、通过量子门解纠缠，求得参与属性演化约简种群精英的最终状态如下：

随着量子纠缠度γ增大，各种群精英在属性演化约简博弈时将根据其信任裕度效用收益不断调整自身策略，使博弈各方效用更易趋向于博弈Nash均衡点。实验结果表明随着各种群协同博弈进化，量子博弈后的各进化子种群Pop_i′上种群精英将通过确定最佳协同策略使其效能均能达到各自最优，在每个划分的MRI病历属性子集上可快速而稳定求解到各自最佳属性约简集。

D、种群精英量子种群博弈后，计算各进化子种群精英个体Elitist_i在各自MRI病历属性子集上所取得目标适应度函数值Fitness(Elitist_i)，取进化种群中所有精英个体在各自分配信任裕度下适应度的平均值为该种群的最优适应度值，即

$\stackrel{\‾}{F\left(x\right)}=\frac{1}{n}\underset{i=1}{\overset{n}{\Σ}}\left(Fitness\right({\mathrm{Elitist}}_i)\×\frac{\left|R_{{\mathrm{TM}}_i}\right|}{\left|R_{TM}\right|})$

E、上述各子种群精英Elitist_i在MRI病历上量子协同博弈后，求出精英在其进化子种群上取最优适应度时所对应的病历MRI属性约简子集Red(C)_i，从而取得MRI病历全局最优属性约简集为

F、评估求得的MRI病历全局最优属性约简集，判断其是否满足MRI属性约简精度要求，如满足，则输出MRI病历全局最优属性约简集RED_opt；不满足，则重复进行上述过程。

本发明将公开一种用于MRI病历属性约简的量子协同博弈设计方法，使参与MRI病历属性约简的协同种群寻优性能得到较大幅度的提高，可快速而稳定取得Nash均衡下全局最优属性约简集。该方法应用于脑组织MRI病历属性自适应约简中，进行脑软组织的灰质、白质和脑脊液分割，为脑功能、病理及其解剖等相关研究提供重要的辅助诊断功能。该方法可在保持MRI病历原有用途和原有性能基础上，较好完成MRI病历属性自适应约简，为建立一个以个性化、一体化、协同化和知识化为特征的临床决策支持系统提供重要的辅助决策服务。

本方法设计的种群精英在基于信任裕度效用矩阵的量子协同博弈均衡演化机制驱动下，通过确定各自最佳协同博弈策略均能达到各自属性约简的最优效能，其求解效率和性能优于现有的同类算法，能快速取得Nash均衡下全局最优属性约简集。种群精英量子协同博弈机制的引入使参与属性约简的种群精英寻优性能得到较大幅度的提高，可稳定取得Nash均衡下全局最优属性约简集，这是目前一般MRI病历属性约简方法所无法达到的全局稳定性。本方法所设计的每个子种群精英所分配的信任裕度效用矩阵中各信任裕度简洁，精英量子协同博弈策略中各量子门数规整、相邻间纠缠和博弈策略简单，博弈策略整个流程易于控制和构造，便且于实际编程实现。本方法设计的种群精英通过获得各自MRI属性特征约简最优值而达到MRI属性约简整体最优，能高效快速的完成MRI图像属性约简，且对高斯噪声等灰度不均匀性具有较好抑止作用。本方法对MRI病历轮廓线的初始位置敏感度较强，分割曲线基本可准确定位到MRI病历目标边界处，分割效果较符合实际解剖结构结果，为脑疾病早期辅助诊断和预警等提供重要的决策支持分析等。

Claims (4)

1.一种用于MRI病历属性约简的量子协同博弈实现方法，其特征在于：具体步骤如下：

A、MRI病历属性约简中基于竞争协同的属性子集划分和子种群精英选取实现方法：该方法通过竞争协同机制将MRI病历属性进行子适应划分到不同的进化子种群中，并在各进化子种群中进行各自优秀种群精英Elitist_i的选取；

B、MRI病历属性约简中种群精英信任裕度效用矩阵构建实现方法：将参与MRI病历属性约简的各种群精英分别分配信任裕度，构建信任裕度效用矩阵，使得各种群精英Elitist_i通过其相应信任裕度动态调整，形成稳定均衡价，保证参与属性演化约简的各种群精英效用均能达到各自最佳值；

C、MRI病历属性约简中种群精英量子种群博弈策略实现方法：构建一种种群精英量子种群博弈策略进行MRI病历属性约简，通过各子种群精英Elitist_i在博弈中Nash均衡，使属性约简中各子种群精英Elitist_i的策略均是对博弈对方Elitist_j策略的最优反应，各种群精英根据相互博弈时观测到的情况将不断调整自身策略，从而最终地达到病历MRI属性演化约简的稳定态；

D、种群精英量子种群博弈后，计算各进化子种群精英个体Elitist_i在各自MRI病历属性子集上所取得目标适应度函数值Fitness(Elitist_i)，取进化种群中所有精英个体在各自分配信任裕度下适应度的平均值为该种群的最优适应度值，即式中为第i个子种群精英对整个种群所有博弈精英产生的信任裕度矢量值，

E、上述各子种群精英Elitist_i在MRI病历上量子协同博弈后，求出精英在其进化子种群上取最优适应度时所对应的病历MRI属性约简子集Red(C)_i，从而取得MRI病历全局最优属性约简集为

F、评估求得的MRI病历全局最优属性约简集，判断其是否满足MRI属性约简精度要求，如满足，则输出MRI病历全局最优属性约简集RED_opt；不满足，则重复进行上述过程。

2.根据权利要求1所述一种用于MRI病历属性约简的量子协同博弈实现方法，其特征在于：步骤A中所述的MRI病历属性约简中基于竞争协同的属性子集划分和子种群精英选取实现方法，具体步骤如下：

a、设计进化种群为Pop，MRI病历属性集为C，将参与MRI病历属性约简的进化种群划分为n个相同大小的子种群Pop_i(i＝1,2,...n)，每个子种群Pop_i被分配一个表示MRI病历属性子集C_i(i＝1,2,...n)的概率ξ_i，即子种群Pop_i表示MRI病历属性子集C_i的概率，初始概率值ξ_i均设为即所有子种群在参与MRI病历属性约简时都有相同的表示概率；

b、随着各子种群Pop_i的进化，其表示MRI病历属性子集C_i的概率ξ_i将自适应变化；在开始迭代时，第i个MRI病历属性子集C_i被分配到第i个子种群Pop_i中；在接下来的第(k+1)次迭代中，各进化子种群Pop_i表示第j个MRI病历属性子集C_j的概率定义如下：

$P_{i,j}(k+1)=P_{i,j}\left(k\right)+\frac{1}{n}\×\underset{k=1}{\overset{n}{\Σ}}\frac{e^{{\mathrm{\α}}_k}}{\sqrt{2}}$

其中α_k(α_k∈[0.5,1])为子种群的学习率，子种群的选择概率将随着MRI病历属性子集约简过程的增加而自适应增大；

c、计算进化子种群Pop_i表示第j个MRI病历属性子集C_j的平均概率P_i,j为

$P_{i,j}=\frac{1}{n}\underset{k=1}{\overset{n}{\Σ}}{P}_{i,j}\left(k\right)$

d、构造子种群表示MRI病历属性的概率矩阵如下：

e、在上述概率矩阵中比较n个子种群表示第j个MRI病历属性子集C_j概率值大小，选出其中概率值最大的子种群Pop_i，即可确定由该子种群来优化MRI病历属性子集C_j；

f、计算每个子种群Pop_i中每个进化个体的适应度Fitness(x)，选出其中最优适应度个体即为该子种群的最优精英个体Elitist_i。

3.根据权利要求1所述一种用于MRI病历属性约简的量子协同博弈实现方法，其特征在于：步骤B中所述的MRI病历属性约简中种群精英信任裕度效用矩阵构建实现方法，具体步骤如下：为保证参与MRI病历属性约简的各种群精英在演化约简过程中整体性能达到最优，对各子种群精英Elitist_i的合作行为给予相应报酬激励，即确定某一精英在协同演化过程中支付给其他博弈精英的报酬值，可较好提高种群精英在属性子集中求最优约简子集性能，为此定义从每个子种群中选出精英Elitist_i的相应信任度权重为信任裕度，整个种群精英信任裕度效用矩阵R_TM定义如下：

式中为第i个子种群精英对整个种群所有博弈精英产生的信任裕度矢量值，其中对第j个种群精英产生的信任裕度值为

$r_{{\mathrm{TM}}_{ij}}={\mathrm{\ρ}}_i/{\∂}_j(1\≤i,j\≤n,i\≠j)$

式中参数ρ_i为第i个子种群内进化个体向所在种群内适应度最优解Fitness(x)_b和适应度最差解Fitness(x)_w学习的学习因子，其中

式中参数为第j个子种群向全局平均适应度最好子种群解Fitness(x)_B和最差子种群解Fitness(x)_W学习的学习因子，其中

该信任裕度效用矩阵R_TM将决定属性博弈约简过程中各博弈精英策略的优劣程度，各种群精英Elitist_i通过其相应信任裕度的动态调整将形成稳定均衡价，使各种群精英参与属性演化约简效用最终能达到共赢。

4.根据权利要求1所述一种用于MRI病历属性约简的量子协同博弈实现方法，其特征在于：所述步骤C中所述MRI病历属性约简中种群精英量子种群博弈策略实现方法，具体步骤如下：

a、令每个参与属性演化约简的进化子种群Pop_i上种群精英Elitist_i状态为将该种群所有精英状态进行归一化处理后为

b、通过量子门将种群精英状态进行纠缠，形成种群精英初始状态为

其中

c、将各进化子种群精英Elitist_i策略分别赋以相应酉算子

$\begin{array}{c}{\hat{U}}_i(\mathrm{\θ},\mathrm{\φ})=\left[\begin{array}{cc}{e}^{i\mathrm{\φ}}\cos (\mathrm{\θ}/2)& \sin (\mathrm{\θ}/2)\\ -\sin (\mathrm{\θ}/2)& e^{-i\mathrm{\φ}}\cos (\mathrm{\θ}/2)\end{array}\right]\\ (0\≤\mathrm{\θ}\≤\mathrm{\π},0\≤\mathrm{\φ}\≤\mathrm{\π}\mathrm{/2})\end{array}$

当各种群精英相互博弈后，参与属性演化约简的种群精英Elitist_i所对应的进化子种群状态将被调整为Pop_i′；

d、通过量子门解纠缠，求得参与属性演化约简种群精英的最终状态如下：

随着量子纠缠度γ增大，各种群精英在属性演化约简博弈时将根据其自身信任裕度效用的收益不断调整自身策略，使博弈各方效用更易趋向于博弈Nash均衡点。