李小林，王 静，张元孜，黄世国

(福建农林大学 计算机与信息学院，福州 350002) E-mail：fjhsg25@126.com

1 引 言

帝王蝶算法(Monarch Butterfly Optimization，MBO)是一种新的群体智能优化算法，通过模拟帝王蝶迁徙的行为实现寻优过程[1].为了避免算法过早收敛，通过结合和声搜索操作[2]或结合自适应交叉算子和贪婪策略[3]对该算法进行了改进.冯艳红等[4]在帝王蝶算法上结合差分变异策略来生成新个体，提高了获得折扣{0，1}KP问题全局最优解的概率.针对TSP问题，Wang等[5]提出了一种二进制帝王蝶优化算法.

定量构效关系(Quantitative Structure-Activity Relationship，QSAR)的目标是建立化合物的结构性质和相应的生物活性之间的关系[6].化合物的结构由各种特征(分子描述符)进行编码来描述.然而，并不是所有的特征都与其生物活性相关.特征太多可能导致模型过拟合，特征太少则可能会导致欠拟合[7].只包含相关和无冗余特征的最优特征子集能够提高QSAR模型预测的精度和可解释性[8].因此，特征选择成为QSAR研究的关键预处理步骤.

元启发式算法因其较强的全局搜索能力和潜力已成功应用于QSAR特征选择.这些代表性的方法包括遗传算法[9，10]，粒子群优化[11，12]，差分进化算法等.

针对QSAR特征选择需在优先满足最大化准确度前提下同时最小化特征数的多目标要求，本研究在MBO算法的粒子排序步骤中采用了非支配排序算法，并修改了调整算子；采用准确度优先的策略，改善了传统多目标算法在低准确度区域耗费大量计算资源的缺陷；采用分小组使用不同突变策略的方……