杨舒云,刘宏志,李海生

(北京工商大学计算机学院,北京 100048)

1 引言

随着大数据时代的到来,越来越多高维数据集应用于数据挖掘中,并伴随着复杂噪声,给机器学习带来严峻的维度灾难问题。特征选择是从原始特征中选择出最有效特征,以降低数据集维度,提高模型性能的过程,因此近年来逐渐成为一个研究热点。

一般来说,特征选择的算法分为三类:嵌入式(embedded)、过滤式(filter)和封装式(wrapper)。在封装式方法中,使用学习算法来评估所选的特征子集,穷举法、顺序搜索、全局搜索等方法都可以用来搜索特征子集。但是在大部分情况下,穷举法因计算量太大而无法应用,顺序搜索法采用局部搜索可能导致局部最优,而全局搜索法主要采用随机搜索策略来探索解空间,因此有更大可能搜索到全局最优解。近年来,很多元启发式方法,如鲸鱼优化算法[1]、粒子群优化算法[2]等,由于其在全局搜索空间中强大的搜索能力,已经在函数优化[3]、参数优化[4]等领域显示出其有效性。其中,灰狼优化算法由于其较强的鲁棒性和参数少等优点,已经被证明了在特征选择领域的有效性,然而传统灰狼算法也存在易早熟等问题,从而导致次优解。

为了提高算法分类精度,一些学者开始对基本灰狼算法进行改进。Al-Tashi Q等人[5]提出了一种灰狼算法与粒子群算法结合的二进制版本进行特征选择,经对比实验表明取得了较高的性能。Attia等人[6]将灰狼优化与粗糙集理论结合,在维度各异的公开数据集上取得了较好的收敛速度和分类精度。……