典型文献
基于邻域粗糙集和帝王蝶优化的特征选择算法
文献摘要：
针对经典的帝王蝶优化(MBO)算法不能很好地处理连续型数据,以及粗糙集模型对于大规模、高维复杂的数据处理能力不足等问题,提出了基于邻域粗糙集(NRS)和MBO的特征选择算法.首先,将局部扰动和群体划分策略与MBO算法结合,并构建传输机制以形成一种二进制MBO(BMBO)算法;其次,引入突变算子增强算法的探索能力,设计了基于突变算子的BMBO(BMBOM)算法;然后,基于NRS的邻域度构造适应度函数,并对初始化的特征子集的适应度值进行评估并排序;最后,使用BMBOM算法通过不断迭代搜索出最优特征子集,并设计了一种元启发式特征选择算法.在基准函数上评估BMBOM算法的优化性能,并在UCI数据集上评价所提出的特征选择算法的分类能力.实验结果表明,在5个基准函数上,BMBOM算法的最优值、最差值、平均值以及标准差明显优于MBO和粒子群优化(PSO)算法;在UCI数据集上,与基于粗糙集的优化特征选择算法、结合粗糙集与优化算法的特征选择算法、结合NRS与优化算法的特征选择算法、基于二进制灰狼优化的特征选择算法相比,所提特征选择算法在分类精度、所选特征数和适应度值这3个指标上表现良好,能够选择特征数少且分类精度高的最优特征子集.
文献关键词：
帝王蝶优化;特征选择;邻域粗糙集;邻域依赖度;二进制
中图分类号：
作者姓名：
孙林;赵婧;徐久成;王欣雅
作者机构：
河南师范大学计算机与信息工程学院,河南新乡453007;教育人工智能与个性化学习河南省重点实验室(河南师范大学),河南新乡453007
文献出处：
引用格式：
[1]孙林;赵婧;徐久成;王欣雅-.基于邻域粗糙集和帝王蝶优化的特征选择算法)[J].计算机应用,2022(05):1355-1366
A类：
BMBO,BMBOM,邻域依赖度
B类：
邻域粗糙集,帝王蝶优化,特征选择算法,连续型数据,高维,处理能力,NRS,局部扰动,二进制,增强算法,探索能力,适应度函数,初始化,特征子集,适应度值,并排,迭代搜索,优特,元启发式,基准函数,优化性能,UCI,最优值,粒子群优化,PSO,灰狼优化,分类精度,特征数
AB值：
0.205137
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
