贾鹤鸣，姜子超，李 瑶，孙康健

（1.三明学院信息工程学院，福建三明 365004；2.东北林业大学机电工程学院，哈尔滨 150040）

（*通信作者电子邮箱jiaheminglucky99@126.com）

0 引言

随着各领域的信息计算需求不断增加，数据挖掘技术发展日新月异，人类进入大数据时代［1］。海量的数据不仅给人们带来繁重的处理工作，也无法准确地从中提取有效信息，机器学习的出现提升了数据处理的效果与能力。作为数据挖掘技术的一个分支，数据分类是一项重要的基础工作，而数据中冗余、不相关的特征或噪声属性常常会影响分类的性能。特征选择是重要的数据预处理环节，其基于某种评价标准从原特征空间中选择特征子集，通过消除数据中的冗余和不相关特征来减少计算时间，提升学习准确率［2］，故所选特征子集比原特征集具有更优秀的分类效果，从而显著改善数据挖掘的能力。特征选择依据其与学习器结合的方式不同可分为过滤式、封装式、嵌入式与集成式四种［3］，本文主要研究的是封装式特征选择方法，对于分类问题而言，其核心研究内容为如何利用搜索策略与学习算法在高分类准确率上获取最优特征子集，两者矛盾是特征选择的主要挑战。

因特征选择可视为最优化问题，为提高传统封装式特征选择所得最优特征子集的分类准确性，故诸多学者采取元启发式优化算法作为搜索策略对其进行研究。在K最近邻学习算法中，Jia 等［4］针对封装式特征选择分类性能差设计了一种混合海鸥优化算法，通过引入热交换原理来增强海鸥算法的局部搜索能力，有效提高了数据分类准确率并减少计算时间；……