李天翼，陈红梅

(西南交通大学 信息科学与技术学院 四川 成都 611756)

0 引言

特征选择作为一种有效降低数据维度的方法，已广泛应用于机器学习、模式识别等领域，其主要任务是删除原始数据集中的不相关特征和冗余特征。根据评估条件，特征选择主要可以分为过滤、包装和嵌入式三类方法[1]。基于过滤模型的方法与分类器相互独立，这类算法会依照相应的评价函数对数据集中的每一个特征进行评估。包装型方法则利用指定的分类器，通过不同的搜索策略来评估特征子集。嵌入式方法是指特征选择算法将被结合到学习算法的训练过程中，旨在学习阶段评估特征子集。

假设数据集中的特征数量为n，则搜索空间中将包含2n个候选解。故使用穷举法来获得最佳特征子集显然是不切实际的。一些学者将特征选择视为组合优化问题，认为其目标是尽量减少特征数量并提高分类性能。因此在解决优化问题时体现出良好性能的演化算法受到了广泛的关注。如两种可以有效选择特征子集的二进制灰狼优化算法[2]、在寻优过程中引入二进制粒子群优化算法搜索最佳特征子集[3]、基于二维粒子群算法的特征选择方法[4]等。

但是演化算法也具有过早收敛、计算成本较高等缺点。此外，为提高获得全局最优解的概率，还需要平衡探索和开发之间的关系。近年来，学者们认为将不同的算法进行杂交、混合是获得更好性能的重要方法。混合型算法会利用并结合单一优化算法或策略的优势，同时更有效地平衡探索和开发的关系。……