计算机科学与探索

作者：王金杰，李炜

单位：1.安徽大学 计算机科学与技术学院，合肥 2306012.安徽大学 计算智能与信号处理重点实验室，合肥 230039

关键词：多目标优化,特征选择,互信息（MI）,粒子群算法（PSO）,帕累托前沿面,外部文档

在数据挖掘中，由于数据集中含有大量的冗余和不相关的特征，因此特征选择是一个重要的预处理过程。提出了一个基于混合互信息和粒子群算法的过滤式-封装式的多目标特征选择方法（HMIPSO）。根据粒子的pbest距离上次更新的迭代次数，提出了自适应突变策略去扰动种群，避免种群陷入局部最优。同时基于帕累托前沿面和外部文档提出了一个新的集合概念。结合互信息和新的集合知识提出了一个局部搜索策略，使得帕累托前沿面中的粒子可以删除不相关和冗余的特征，然后通过精英策略更新学习前和学习后的帕累托前沿面。最后将提出的算法和另外4种多目标算法在15个UCI数据集上进行了测试，实验结果表明提出的算法能够更好地降低特征个数和分类错误率。

来源：2020年第1期

《计算机科学与探索》期刊编辑部

查看计算机科学与探索杂志2020年第1期