混合改进的花授粉算法与灰狼算法用于特征选择

作者：康雁; 王海宁; 陶柳; 杨海潇; 杨学昆; 王飞; 李浩^*

来源：计算机科学, 2022, 49(S1): 125-132.

• 特征选择
• FPA算法
• 灰狼算法
• RelifF
• 优化器

特征选择在数据预处理阶段中极为重要。特征选择的优劣不仅影响着神经网络训练的时间长短，更影响神经网络性能的好坏。灰狼改进花授粉算法(Grey Wolf Improved Flower Pollination Algorithm, GIFPA)是一种基于花授粉算法(Flower Pollination Algorithm, FPA)框架与灰狼优化算法融合的混合算法，将其应用于特征选择问题，既可以保留原始特征的内涵信息，又可以最大化分类特征的准确率。GIFPA算法在花授粉算法的异花授粉阶段中加入了最差个体信息，并用作全局搜索，将灰狼优化算法中的狩猎过程作为局部搜索，并且通过转换系数来调节二者的搜索过程。同时，为了克服群智能算法易陷入局部最优的问题，首次采用数据挖掘领域中的RelifF算法，通过RelifF算法过滤出高权重特征并用于改进最佳个体信息。为了验证算法的性能，实验选取UCI数据库中21个领域的经典数据集进行测试，利用K近邻(KNN)分类器进行分类测评，以适应度值和准确率作为评价标准，并通过K-折交叉验证来克服过拟合问题。实验选择了包括FPA算法在内的多种经典算法和先进算法进行比较，结果表明GIFPA算法在特征选择问题上有很强的竞争力。

• 单位
  云南大学