计算机应用研究

作者：李敏,章国豪,陈梓樑,郭志勇,胡晓敏,

单位：广东工业大学a.信息工程学院;b.计算机学院,广州510006；

关键词：特征选择,粒子群算法,变异,差分进化,

基金：国家自然科学基金资助项目(61772142,61574049)；广州市珠江科技新星项目(201806010059)；广东省信息物理融合系统重点实验室资助项目(2016B030301008)；；

特征选择技术在大数据分析、图像处理、生物信息学等领域具有重要作用。在实际应用中，降低分类错误率和减少提取出的特征数量便于后续数据的利用，往往是两个冲突的目标。基于拥挤、变异和支配策略的多目标粒子群特征选择（crowding，mutation，dominance particle swarm optimization for feature selection，CMDPSOFS）算法是一种面向特征选择应用中特征数量最小和分类错误率最低的双目标优化算法。它使用三种不同的变异机制，用于保持群体多样性和平衡全局、局部搜索的能力，但其中的均匀变异使算法的随机性大大增加，产生较多适应值差的解，降低了算法收敛速度。改进的CMDPSOFS-Ⅱ算法将差分进化算法中的变异算子和选择操作引入到CMDPSOFS算法中，实验结果表明，CMDPSOFS-Ⅱ算法在特征选择上得到比原来的方法更优的结果，更好地平衡了全局和局部搜索能力。

来源：2020年第1期

《计算机应用研究》期刊编辑部

查看计算机应用研究杂志2020年第1期