李占山, 杨鑫凯, 胡 彪, 张 博

(吉林大学 a. 计算机科学与技术学院; b. 符号计算与知识工程教育部重点实验室; c. 软件学院, 长春 130012)

0 引 言

特征选择是从原始特征中选择一些最有效特征以降低数据维度的过程[1], 是机器学习、 数据挖掘、 模式识别领域中关键的预处理步骤。常见的特征选择方法依据选择策略的不同大致可分为3类： 过滤式(filter)、 嵌入式(embedding)和包裹式(wrapper)[2]。过滤式方法不依赖于任何学习算法, 仅依靠对数据的某些特征进行评估, 以评估特征的重要性； 嵌入式方法将特征选择过程与学习器训练过程融为一体, 在学习器训练过程中自动地进行特征选择[3]； 包裹式方法依赖于预定义的学习算法评估所选特征的量。特征选择的困难在于搜索空间会随着特征个数的增加呈指数级增长[4], 因此, 设计并改进特征选择算法成为了特征选择问题求解的关键[5]。

演化计算技术由于具有良好的全局搜索能力， 近年来在特征选择领域获得了越来越多的关注[6]。一些基于演化计算的特征选择包括较经典的粒子群特征选择算法PSO(Particle Swarm Optimization)[7]和较新的二元灰狼特征选择算法bGWO(binary Grey Wolf Optimization)[8]、鲸鱼特征选择算法WOA(Whale Optimization Algorithm)[9]、 正余弦特征选择算法SCA(Sine Cosine Algorithm)[10]、 二元蝴蝶特征选择算法bBOA(binary Butterfly Optimization Approaches)[11]等。

在最新的工作中, Seyedali等[12]提出了一种樽海鞘群优化(SSA: Salp Swarm Algorithm)算法。相比于其他算法, SSA算法在解决特征选择问题上有着较好的表现力[13], 但由于粒子通过迁移方向单调的平均算子移动, 导致算法搜索能力受限而易陷入局部最优； 同时和其他演化算法一样存在收敛速度较慢的问题, 因此SSA算法仍有较大的提升空间。……