基于多策略融合灰狼优化算法的特征选择方法

摘要：

针对基本灰狼优化算法(grey wolf optimizer,GWO)在求解复杂优化问题时存在解精度低、探索与开发能力不平衡、收敛速度慢和易陷入局部最优的缺点,提出一种基于多策略融合的改进灰狼优化算法.首先,设计一种基于正弦函数的非线性过渡参数策略替代原灰狼优化算法中的线性递减策略,以实现算法从勘探到开发的良好过渡;其次,利用个体自身历史最佳位置和决策层个体共同引导群体进行搜索,以加速算法收敛速度和提高寻优精度;然后,在当前最优灰狼个体上引入小孔成像学习策略产生新的候选个体,以降低算法陷入局部最优的概率.选取6个基准测试函数进行数值实验.结果 表明:改进算法在求解精度和收敛速度指标上均优于其他比较算法.最后,将改进算法用于求解特征选择问题,对10个基准数据集的仿真结果表明,改进算法能有效地提高分类精度和选择最优特征.

关键词：灰狼优化算法(GWO);特征选择;函数优化;多策略;反向学习

所属期刊栏目：21

分类号：TP301.6(计算技术、计算机技术)

资助基金：国家自然科学基金;贵州省科学技术基金项目;贵州省大数据统计分析重点实验室开放课题;贵州省大数据统计分析重点实验室开放课题;贵州省教育厅创新群体项目

在线出版日期：2022-01-13（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：8544-8551