改进鲸鱼算法及其在特征选择中的应用_.pdfVIP

摘要

多维数据的特征选择是数据挖掘的关键问题之一，避免数据冗余同时提高机器

学习模型的精度，备受数据科学领域研究者关注。鲸鱼算法是近年新兴的群智能优

化算法，气泡网捕食策略使算法具备较强的全局与局部搜索能力，将该算法与机器

学习模型结合可解决特征选择问题。本文使用结合鲸鱼算法的支持向量机(SVM)模

型对特征选择与模型参数优化的联合问题展开研究，主要工作如下：

首先，提出一种混沌映射和失败者淘汰策略的鲸鱼优化算法。该算法在种群初

始化阶段引入混沌映射和反向学习策略，既提高种群多样性又保证算法向着最优方

向开始迭代；在算法迭代过程中加入失败者淘汰策略，该策略认为以当下线性变化

速度迭代的个体，若最终适应度值无法超越最优个体，则该个体被认为是种群迭代

中的失败者，应该被淘汰并重新初始化，最大概率上避免算法陷入局部最优的困境。

CEC202110

选取的个标准函数进行测试，结果表明所提算法具有更优的搜索性能。

其次，提出一种多策略协同鲸鱼算法对特征选择与参数优化的联合问题(FS-

SVM)进行优化。多策略协同鲸鱼算法所做改进策略：第一，对算法的收敛因子及权

重控制因子进行两种动态控制，使得算法根据迭代次数自动调整搜索范围与位置，

平衡算法全局与局部的搜索能力；第二，引入自适应扰动策略，利用高斯变异和柯

西变异对种群中最优个体进行一定扰动，并根据迭代次数自动平衡两种变异扰动的

力度，前期侧重于高斯变异提高种群多样性，后期侧重于柯西变异跳出局部最优，

提高算法整体寻优能力；第三，融入信息素与反向学习策略，针对种群内适应度值

较差的个体进行位置更新，并结合反向学习策略进行改进，加快算法收敛速度。最

后选取UCI分类数据集作为测试集，分别验证三种改进策略在提升算法性能方面的

有效性，并将多策略协同算法与已优化的群智能算法、传统机器学习算法分别进行

比较，实验结果表明本文所提算法在大部分测试数据集上能够以较少的特征数获取

更高的分类准确率，拥有更快、更稳定的收敛曲线。

最后，本文将多策略协同改进的鲸鱼算法应用到医学领域的病情诊断方面，构

造基于SVM模型的病情诊断分类器。该分类诊断器包括数据处理、特征选择、参

数优化等步骤，在医学数据集上进行测试，将多策略协同改进的鲸鱼算法结果分别

与基础鲸鱼算法、机器学习、回归方法进行对比，最终结果表明所提诊断器对现实

中的诊断和治疗有积极意义。

关键词：鲸鱼算法；混沌映射；失败者淘汰策略；双重动态因子；自适应扰动

I

Abstract

Thefeatureselectionofmulti-dimensionaldataisoneofthekeyissuesindata

mining.Avoidingdataredundancywhileimprovingtheaccuracyofmachinelearning

modelshasattractedtheattentionofresearchersinthefieldofdatascience.TheWhale

Algorithmisanemergingswarmintelligenceoptimizationalgorithminrecentyears.

Thebubblenetpredationstrategyenablesthealgorithmtohavestrongglobalandlocal

searchcapabilities.Combiningthisalgorithmwithmachinelearningmodelscansolve

featureselectionproblems.Thisarticleinvestigatesthejointproblemoffeature

selectionandmodelparameteroptimizationusingaSupportVectorMachine(SVM)

modelthatcombinestheWhaleAlgorithm.Them