摘要：特征选择是机器学习和数据挖掘领域中一项重要的数据预处理技术,它旨在最大化分类任务的精度和最小化最优子集特征个数。运用粒子群算法在高维数据集中寻找最优子集面临着陷入局部最优和计算代价昂贵的问题,导致分类精度下降。针对此问题,提出了基于多因子粒子群算法的高维数据特征选择算法。引入了进化多任务的算法框架,提出了一种两任务模型生成的策略,通过任务间的知识迁移加强种群交流,提高种群多样性以改善易陷入局部最优的缺陷;设计了基于稀疏表示的初始化策略,在算法初始阶段设计具有稀疏表示的初始解,降低了种群在趋向最优解集时的计算开销。在6个公开医学高维数据集上的实验结果表明,所提算法能够有效实现分类任务且得到较好的精度。

摘要：针对粒子群算法在处理复杂优化问题时,出现多样性较差、收敛精度低等问题,提出了基于局部协同与竞争变异的动态多种群粒子群算法(Dynamic Multi-population Particle Swarm Optimization Based on Local Cooperative and Competitive Mutation,LC-DMPPSO)。LC-DMPPSO算法设计了一种局部协同的方法,该方法划分种群成多个子种群,划分后的子种群再通过非支配排序、差分变异的方法选择出一对领导粒子。同时,对粒子的更新方法进行改进,让各个目标优化更加均衡,增强LC-DMPPSO算法的局部搜索能力,提高收敛精度。在LC-DMPPSO算法中,为了防止出现“早熟”收敛的情况,引入竞争变异来增加种群多样性。最后,通过选择一系列标准测试函数将LC-DMPPSO算法与3种进化算法进行比较,验证所提算法的有效性。实验结果显示,所提算法的多样性和收敛性比其他3种进化算法更好,优化效果更佳。