基于进化计算的特征选择方法研究概述

发布时间：2021-11-15 06:17

　　特征选择是数据挖掘和机器学习中的一项重要任务,能够降低数据的维度,提高学习算法的性能。进化计算算法通过模拟自然界生物进化机制完成搜索问题的最优解决方案,近年来在特征选择问题中得到了广泛应用,并取得了一定的成功。首先介绍了特征选择的基本框架;然后从进化计算特征选择方法的搜索机制、子集评价策略和目标数等方面进行了分析和总结;最后讨论了当前基于进化计算的特征选择方法面临的问题和挑战以及未来进一步的研究方向。 

【文章来源】：郑州大学学报(工学版). 2020,41(01)北大核心

【文章页数】：9 页

【部分图文】：

特征选择的基本框架

与传统方法相比，基于种群的EC算法能并行搜索多个解，利用计算机技术自动搜索解决方案，不需要问题领域先验知识。基于这些优点，EC在特征选择上获得较大成功[11]。EC在特征选择上的应用研究始于1990年左右，但是自2007年以来，随着许多领域的特征数量逐渐增多，EC技术以其强大的全局搜索能力而受到特征选择领域的广泛关注。如图2所示。图2显示EC算法在特征选择上应用的论文数量(数据来源Web of Science,2018.12)，这表明自2007年以来，进化计算在特征选择上的应用呈整体增长趋势。笔者对进化计算在特征选择上的代表性研究工作进行讨论，并对进化计算在单目标、多目标特征选择上的研究工作分别进行详细的介绍。

【参考文献】：
期刊论文
[1]进化算法在大规模优化问题中的应用综述[J]. 梁静,刘睿,瞿博阳,岳彩通.  郑州大学学报(工学版). 2018(03)
[2]带约束小生境二进制粒子群优化的生物组学数据集成特征选择[J]. 杨峻山,周家锐,朱泽轩,纪震.  信号处理. 2016(07)



本文编号：3496205