周金容 罗 建

1(南充职业技术学院电子信息工程系 四川 南充 637131) 2(西华师范大学计算机学院 四川 南充 637009)

0 引 言

在大数据时代，高维数据已扩展到社交媒体、生物信息学、图像处理和自然语言处理等不同领域[1-2]。计算负担、过拟合和性能不佳是高维数据带来的一些外在表现缺点[3]。在模式识别中，由于存在成千上万的特征，因此从高维数据中选择特征子集仍然是一个挑战[4]，其中过滤掉无关和冗余的特征可以减少过度拟合，节省计算成本并提高分类的准确性。特征选择算法是可以有效地将原始数据缩小到低维空间的算法。特征选择是组合优化问题，在当今许多科学领域中都是重要问题。

特征选择技术已成功应用于各种人工智能领域，包括文本挖掘、图像处理、生物信息学，以及其他领域[5]。目前，研究人员已经开发了许多群体智能启发优化算法用于特征选择。文献[6]提出了一种基于多目标粒子群优化的特征选择方法，该方法根据特征在存档集中的频率对其进行排名，使用这些等级来优化存档集并引导粒子，消除了不相关、多余和嘈杂的特征，降低计算成本。文献[7]提出了一种基于遗传算法和禁忌搜索相结合的特征选择方法，该方法通过定义一个过早收敛索引，以判断遗传算法过程中的收敛情况。当确实发生早收敛时，将执行改进的变异算子，对具有较高适应性值的个体采用禁忌搜索算法。文献[8]提出了一种基于乌鸦搜索的V形二值化包装器，该包装器利用二进制乌鸦搜索算法简化了特征选择模型和减少了分类处理时间。……