模拟人工蜂群的高维数据特征选择算法研究

针对高维数据集结构复杂且冗余度高的问题，提出一种新型二进制人工蜂群算法进行特征选择。该算法在雇佣蜂蜜源搜索阶段应用差分思想，增加多项式差分变异算子，实现蜜源更新环节的多维性、高效性；在跟随蜂阶段和侦察蜂阶段分别引入交叉算子和最优保存策略，进一步打破局部最优，有效提升了人工蜂群算法的收敛效果；对蜜源的二进制初始化处理，使得算法在特征选择过程中取得了良好表现。在4个Benchmark测试函数上进行实验，结果表明，新算法的寻优精度和收敛速度优于其他4种经典搜索算法。同时，选取7个常用高维数据集进行特征选择，并与7种经典降维算法进行对比，发现新算法的特征约简程度普遍高于88%,并且随着数据集维度的增高，新算法的降维程度和分类精度优于其他7种降维算法。