徐 明， 龙 文

(1.贵州财经大学， 贵州省大数据统计分析重点实验室， 贵阳 550025； 2.贵州财经大学数统学院， 贵阳 550025； 3.贵州财经大学， 贵州省经济系统仿真重点实验室， 贵阳 550025)

特征选择也称为特征子集选择或属性选择，它是机器学习中分类、回归和数据挖掘中至关重要的预处理步骤。特征选择的目的是利用一种选择方法，删除数据集中冗余和不相关的特征，找到最优特征子集。它不仅能降低数据维度、提高机器学习算法的效率，还能从原始数据集中选出对分类器分类性能最有用的特征，提高其分类精度[1-3]。假设数据集中有a个特征，则特征选择问题的可能解决方案的总数是a，其搜索空间十分庞大。因此，特征选择问题是一个NP-hard问题[4]。利用穷举搜索法选择一组最优特征子集将会耗费大量计算和时间成本，不适合用于求解特征选择问题。

启发式搜索算法是一类基于群体迭代搜索的方法，具有模型简单、容易编程实现、需调整的参数少和强大的寻优能力等特点，较适合于解决特征选择问题。近年来，基于启发式搜索算法的特征选择方法已被广泛提出且获得了满意的结果，如遗传算法(genetic algorithm, GA)[5]、蚁群优化算法(ant colony optimization, ACO)[6]、粒子群优化算法(particle swarm optimization, PSO)[7-8]、人工蜂群(artificial bee colony, ABC)算法[9]、头脑风暴优化(brain storm optimization, BSO)算法[10]、鲸鱼优化算法(whale optimization algorithm, WOA)[11]、引力搜索算法(gravitational search algorithm, GSA)[12]、蚁狮优化算法(ant lion optimizer, ALO)[13]、蝗虫优化算法(grasshopper optim-ization algorithm, GOA)[1,14]、蝴蝶优化算法(butterfly optimization algorithm, BOA)[15]、教与学优化算法(teaching-learning-based optimization, TLBO)[16]等。

灰狼优化算法(grey wolf optimizer, GWO)是澳大利亚学者Mirjalili等[17]于2014年提出的一种元启发式算法，它模拟自然界中灰狼群体的社会等级制度和捕食行为。……