基于鲸鱼优化算法的高维数据特征选择方法研究.pdfVIP

基于鲸鱼优化算法的高维数据特征选择方法研究

摘要

数据量和数据维度的急剧增加为数据挖掘领域带来了新的挑战，也被称为

“数据灾难”。由于大量不相关的、冗余的特征信息被添加到数据集中，这不仅增

加了计算复杂度，还降低了机器学习算法的分类性能。特征选择是一种有效的数

据预处理技术，其通过减少高维数据集中与目标不相关的或冗余的特征来提高分

类器算法的分类准确度。然而，如何找到一个包含最少特征数并使分类器算法获

得最佳性能的特征子集成为特征选择问题的难点。特征选择问题可以视为组合优

化问题，而群智能优化算法正是解决各类优化问题的有效工具之一，为特征选择

问题提供了有效的解决方案。鲸鱼优化算法属于群智能优化算法的一种，尽管已

经在各类优化问题中表现出较强的全局寻优能力，但在解决高维特征选择问题时

仍容易陷入局部最优。因此，本论文的主要目标是改善鲸鱼优化算法在高维特征

空间中的全局寻优能力，并提高算法的收敛速度。论文工作如下：

（1）为提高传统鲸鱼优化算法在搜索特征子集时的收敛速度和全局搜索能

力，本文提出了一种多策略融合的鲸鱼优化算法（MSFWOA）。在种群初始化阶

段，引入了Bernoulli混沌映射初始化种群，以提高算法的收敛速度；在搜索最佳

解的过程中，融合了非线性收敛因子、自适应权重参数、记忆存储机制以及Levy

飞行策略等多种策略，以提高算法的全局寻优能力。为测试MSFWOA算法的寻

优能力，选择了20个基准函数用于评估算法性能，并与5种群智能优化算法在相

同实验条件、不同维度搜索空间中进行对比实验，实验结果均表明MSFWOA算

法具有更好的全局寻优能力和稳定性。

（2）为提升特征选择方法的性能，本文提出了一种基于MSFWOA结合利他

算子的特征选择算法（MSFWOACA）。该算法改进了最大相关最小冗余算法，用

于原始特征空间的初始降维，以提高算法的搜索速度；改进了S型传递函数，用

于MSFWOA算法的离散化，以适用于特征选择问题；将MSFWOA算法与利他算

子相结合，用于提升特征选择时的探索与开发的能力。为验证MSFWOACA特征

选择算法在高维特征选择问题上的有效性，分别与KNN和SVM两种机器学习算

法相结合，在12个高维数据集上进行了仿真实验，并与5种现有的同类型特征选

择算法进行比较，实验结果表明所提出的特征选择算法具有更好的性能。

关键词：高维数据，特征选择，群智能优化算法，鲸鱼优化算法

ResearchonFeatureSelectionMethodofHighDimensional

DataBasedonWhaleOptimizationAlgorithm

ABSTRACT

Therapidincreaseindatavolumeanddimensionshasbroughtnewchallengestothe

fieldofdatamining,alsoknownasthedatadisaster.Duetotheincreasingofalarge

amountofirrelevantandredundantfeaturestothedataset,thisnotonlyincreases

computationalcomplexity,butalsoreducestheclassificationperformanceofmachine

learningalgorithms.Featureselectionisaneffectivedatapreprocessingtechniquethat

improvestheclassificationaccuracyofclassifieralgorithmsbyreducingirrelevantor

redundantfeaturesfromhigh-dimensionaldatasets.However,howtofindthesubsetof

featuresthatcontainstheminimumnumberoffeatu