基于多行为交互的变维协同进化特征选择方法

针对大规模数据集上的特征选择问题，一种变长表示的粒子群特征选择方法（VLPSO）表现出了良好的性能。然而，其完全随机的粒子生成方式导致初始化阶段具有一定的盲目性。同时，VLPSO单一的更新机制和种群间的信息隔离也影响了模型的分类性能。为了解决VLPSO的缺陷，提出了一种基于多行为交互的变维协同进化特征选择方法 (M-CVLPSO)。首先，为了改善随机初始化带来的盲目性，采用连续空间上的层次初始化策略，从期望上缩短了初始解与最优解之间的距离。其次，将粒子根据适应度分为领导者、追随者与淘汰者，在迭代过程中采用多种更新策略动态平衡算法的多样性和收敛性。同时，将维度缩减指标加入到适应度函数中，进一步增强了算法在部分数据集上的性能。从理论上证明了该算法的收敛性，并基于11个大规模特征选择数据集在分类精度、维度缩减和计算时间上进行实验分析。实验结果表明，本文算法相较于4种对比算法具有更好的综合表现。