李蒙蒙，秦 伟，刘 艺*，刁兴春

（1.中国人民解放军军事科学院国防科技创新研究院，北京 100071；2.天津（滨海）人工智能军民融合创新中心，天津 300457）

0 引言

人工智能的发展、新基建的提出使得数据规模不断增长，数据分类是重要的机器学习问题，它广泛存在于各类应用中，如故障诊断、相似重复记录检测，以及目标检测等［1-3］。特征选择是常用的数据分类预处理方法，通过特征选择能够降低分类模型的训练时间和数据的获取复杂性，进一步减少数据的存储需求，显著提升分类算法的性能［4］。随着数据分类研究的发展，特征选择的研究也得到了广泛的关注［5-7］。按照是否与分类器独立，特征选择可以分为过滤法（Filter）、包装法（Wrapper）和混合法（Hybrid）。采用演化算法进行特征选择是一类重要的包装法，该类方法具有较好的性能且易于部署实现，在实际工程中得到了普遍的应用［8-10］。

蚁群优化（Ant Colony Optimization，ACO）是一种成熟的演化算法，自提出以来已经在诸多领域发挥了作用，如路径选择问题、水气交替注入、实体分辨，以及特征选择等［11-14］。由于特征选择是典型的离散优化问题，而蚁群优化是天然的离散优化算法，因此特征选择是蚁群优化较为重要的研究方向。与其他演化算法相似，蚁群优化在求解问题较为复杂时会陷入局部最优，阻碍应用性能的进一步提升。

由Shi等［15］提 出 的 头 脑 风 暴 优 化（Brain Storm Optimization，BSO）是近年来出现的性能优异的演化算法。与其他模仿生物遗传和觅食等群体行为的演化算法不同，头脑风暴优化模拟人类通过交流互动提出新方法的头脑风暴过程，能够在全局探索（Exploration）和局部开发（Exploitation）之间达到较好的平衡。……