胡 滢

（铜陵学院 电气工程学院，安徽 铜陵 244061）

试论用于特征子集选择的异步并行微粒群优化方法

胡 滢

（铜陵学院 电气工程学院，安徽 铜陵 244061）

特征子集的选择是数据挖掘与模式分类的重要方法.本文主要从微粒编码、比较微粒适应值、更新微粒引导者、一致混沌变异和计算步骤五个方面对用于特征子集选择的异步并行微粒群优化方法进行分析，通过实验比对，可以发现这种方法具有良好的效果.

特征子集选择；异步并行方式；微粒群优化

最优化问题指的是在有限或无限决策中挑选最优的决策，而微粒群优化（Particle Swarm Optimizer,PSO）算法是一种基于群智能方法的演化计算方法，是将微粒进行初始化随机处理，然后利用迭代寻找最优解的方法.目前，这种方法已经广泛应用到神经网络训练、预测控制及函数优化领域.

1 用于特征子集选择的异步并行微粒群优化方法

1.1 微粒编码

用于特征子集选择的异步并行微粒群优化首先需要对微粒进行编码处理.在具体操作中，应将每一个问题的特征都当作是微粒的一维二进制变量，所有特征加在一起的数量之和就是微粒变量的长度.也就是说在第i位是1的情况下，会选择第i个特征；如果不是，那么这个特征就会屏蔽.

1.2 比较微粒适应值

为了所选择的特征子集能够以少量特征起到良好的分类作用，本文认为应该从两方面着手对其适应值进行比较和评价[1].一是微粒子集包含的特征数量，二是所确定分类……