吴晓燕，刘笃晋

(四川文理学院 智能制造学院，四川 达州 635000)

0 引 言

特征选择(feature selection，FS)是一种机器学习过程，常用于解决数据集的高维问题。此过程允许提取高容量数据池中最具代表性的信息，从而减少其他分类任务中的计算工作量[1]。特征选择具有减少特征数量、降低学习任务的难度、提高预测模型的泛化能力和计算效率、增强对快速生成数据基础过程的理解等优势，因此已经成为机器学习和数据挖掘领域的研究热点，在互联网文档处理、医学应用、计算机视觉等众多领域应用广泛[2-3]。

一般来说，由于搜索空间极大，特征选择是一项困难的任务。对于具有m个特征的数据集，可能的解决方案数量为2m个。随着数据收集技术进步和数据集高维问题日趋复杂化，m数量还在持续增加，特征选择任务变得越来越艰巨。近年来，研究人员提出了大量的特征选择方法用于解决该问题[4]。Mafarja等[5]提出了一种基于鲸鱼优化算法的包装器特征选择方法，利用鲸鱼优化算法的二进制变体来搜索最佳特征子集以进行分类。Hancer等[6]提出了一种基于多目标人工蜂群算法的特征选择方法，通过采用结合非支配排序和遗传算子策略解决数据不平衡和维数灾难问题。但是，大多数基于单一元启发式技术的特征选择方法存在收敛速度慢和容易陷入局部最优的问题。为了解决上述问题，研究者采取了多个智能优化算法混合的方式。Rao等[7]针对特征选择的效率和信息质量等问题，提出了一种基于蜂群和梯度增强决策树的特征选择方法。……