基于混合进化算法的特征选择方法研究

特征选择（Feature Selection,FS）是一种有效的数据预处理方法，它可以通过选择高维数据中一组具有高相关性和低冗余性的特征，从而解决数据冗余引起的维数灾难.目前许多计算方法已经被应用于求解FS问题，其中基于教与学优化（Teaching and Learning-based Optimization Algorithm,TLBO）的特征选择模型由于其高效的全局搜索能力受到越来越多学者的关注.然而，随着数据规模的不断扩大，这些算法所具有的模型不稳定、模型精确度低和局部搜索能力差等局限性，使算法的研究逐步陷入困境.为解决上述问题，本文提出了融合教与学优化算法与局部搜索方法（Local Search,LS）的混合进化Wrapper算法模型（Teaching and Learning-based Optimization-Local Search Algorithm,TLBOLS）.首先，由于传统的教与学优化算法不能直接用于求解特征选择问题，算法在初始化阶段将实数型编码转为二进制编码，然后为保证种群的多样性，在教阶段引入最差个体重启机制，并针对进化班级过程中学习者与教学者两种身份采...