量子化信息素蚁群优化特征选择算法

doi:10.12068/j.issn.1005-3026.2020.01.004

东北大学学报:自然科学版 ›› 2020, Vol. 41 ›› Issue (1): 17-22.DOI: 10.12068/j.issn.1005-3026.2020.01.004

量子化信息素蚁群优化特征选择算法

李占山^1,2，刘兆赓²，俞寅²，鄢文浩²

(1.吉林大学计算机科学与技术学院，吉林长春130012； 2.吉林大学软件学院，吉林长春130012)

收稿日期:2019-02-01 修回日期:2019-02-01 出版日期:2020-01-15 发布日期:2020-02-01
通讯作者: 李占山
作者简介:李占山(1966-)，男，吉林长春人，吉林大学教授，博士生导师.
基金资助:
国家自然科学基金资助项目(61672261)；吉林省自然科学基金资助项目(2018010143JC)；吉林省发展和改革委员会产业技术研究与开发项目(2019C053-9).

A Quantized Pheromone Ant Colony Optimization Algorithm for Feature Selection

LI Zhan-shan^1,2， LIU Zhao-geng²， YU Yin²， YAN Wen-hao²

1. College of Computer Science and Technology， Jilin University， Changchun 130012，China； 2. College of Software， Jilin University， Changchun 130012，China.

Received:2019-02-01 Revised:2019-02-01 Online:2020-01-15 Published:2020-02-01
Contact: YU Yin
About author:-
Supported by:
-

摘要/Abstract

摘要： 蚁群优化算法凭借其正反馈机制和强大的搜索能力被广泛地应用于各类优化问题求解上.本文试图将蚁群优化算法应用于特征选择领域并提出了新的量子化信息素蚁群优化(quantized pheromone ant colony optimization， QPACO)特征选择算法.相比于其他基于蚁群优化算法的特征选择算法，QPACO算法中采用了量子化信息素的启发式策略，改变了传统的信息素更新策略，因此避免了在搜索特征时的局部最优问题.实验采用了KNN分类器来指导学习过程，利用源于UCI数据库的多组数据集进行了相关的测试，实验结果表明，QPACO算法在分类精度、精确率、召回率和维度缩减率等方面均具有良好的性能.

关键词: 特征选择, 蚁群优化, 信息素, 量子化, 启发式策略

Abstract: Ant colony optimization algorithms have positive feedback mechanisms and strong searching abilities， which makes them widely used in various kinds of optimization problems. An ant colony optimization algorithm was applied to the field of feature selection and a new quantized pheromone ant colony optimization(QPACO) feature selection algorithm was proposed. Quantum pheromone heuristic strategy was adopted in QPACO algorithm， compared with other ant colony optimization algorithms for feature selection， QPACO algorithm changes the traditional pheromone updating strategy and avoids the local optimization problem when searching for features. In the experimental stage， a KNN classifier was used to guide the learning process， and multiple data sets from the UCI database were used for testing. The experimental results showed that QPACO algorithm has good performances in classification accuracy， precision， recall and feature-reduction.

Key words: feature selection, ant colony optimization, pheromone, quantization, heuristic strategy

中图分类号:

TP18

李占山，刘兆赓，俞寅，鄢文浩. 量子化信息素蚁群优化特征选择算法[J]. 东北大学学报:自然科学版, 2020, 41(1): 17-22.

LI Zhan-shan， LIU Zhao-geng， YU Yin， YAN Wen-hao. A Quantized Pheromone Ant Colony Optimization Algorithm for Feature Selection[J]. Journal of Northeastern University Natural Science, 2020, 41(1): 17-22.

参考文献

[1]Xue B，Zhang M，Browne W N，et al.A survey on evolutionary computation approaches to feature selection［J］.IEEE Transactions on Evolutionary Computation，2016，20(4):606-626.
[2]Zhang Z，Bai L，Liang Y，et al.Joint hypergraph learning and sparse regression for feature selection［J］.Pattern Recognition，2017，63:291-309.
[3]Guyon I，Elisseeff A.An introduction to variable and feature selection［J］.Journal of Machine Learning Research，2003，3(6):1157-1182.
[4]Tan K C，Teoh E J，Yu Q，et al.A hybrid evolutionary algorithm for attribute selection in data mining［J］.Expert Systems with Applications，2009，36(4):8616-8630.
[5]Rashedi E，Nezamabadipour H.Feature subset selection using improved binary gravitational search algorithm［J］.Journal of Intelligent & Fuzzy Systems，2014，26(3):1211-1221.
[6]Chuang L Y，Tsai S W，Yang C H.Improved binary particle swarm optimization using catfish effect for feature selection［J］.Expert Systems with Applications，2011，38(10):12699-12707.
[7]初蓓，李占山，张梦林，等.基于森林优化特征选择算法的改进研究［J］.软件学报，2018，29(9):2547-2558.(Chu Bei，Li Zhan-shan，Zhang Meng-lin，et al.Research on improvements of feature selection using forest optimization algorithm［J］.Journal of Software，2018，29(9):2547-2558.)
[8]Dorigo M，Caro G D.Ant colony optimization:a new meta-heuristic［C］//Proceedings of the 1999 Congress on Evolutionary Computation.Washington D C，1999:1470-1477.
[9]Dorigo M，Birattari M，Stützle T.Ant colony optimization:artificial ants as a computational intelligence technique［J］.IEEE Computational Intelligence Magazine，2006，1(4):28-39.
[10]Chen B，Chen L，Chen Y.Efficient ant colony optimization for image feature selection［J］.Signal Processing，2013，93(6):1566-1576.
[11]Kashef S，Nezamabadi-Pour H.A new feature selection algorithm based on binary ant colony optimization［C］//The 5th Conference on Information and Knowledge Technology.Shiraz，Iran，2013:50-54.
[12]Huang C L.ACO-based hybrid classification system with feature subset selection and model parameters optimization［J］.Neurocomputing，2009，73(1/2/3):438-448.
[13]Kashef S，Nezamabadi-Pour H.An advanced ACO algorithm for feature subset selection［J］.Neurocomputing，2015，147:271-279.
[14]Arora S，Anand P.Binary butterfly optimization approaches for feature selection［J］.Expert Systems with Applications，2019，116:147-160.
[15]Mafarja M M，Mirjalili S.Hybrid whale optimization algorithm with simulated annealing for feature selection［J］.Neurocomputing，2017，260:302-312.
[16]Emary E，Zawbaa H M，Hassanien A E.Binary grey wolf optimization approaches for feature selection［J］.Neurocomputing，2016，172:371-381.
[17]Zhang Y，Song X，Gong D.A return-cost-based binary firefly algorithm for feature selection［J］.Information Sciences，2017，418/419:561-574.
[15]关守平，房少纯.一种新型的区间-粒子群优化算法［J］.东北大学学报(自然科学版)，2012，33(10):1381-1384.(Guan Shou-ping，Fang Shao-chun.A new particle swarm optimization algorithm［J］.Journal of Northeastern University(Natural Science)，2012，33(10):1381-1384.)

量子化信息素蚁群优化特征选择算法

A Quantized Pheromone Ant Colony Optimization Algorithm for Feature Selection

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

[1]	李占山，杨云凯，张家晨. 基于熵权法的过滤式特征选择算法[J]. 东北大学学报（自然科学版）, 2022, 43(7): 921-929.
[2]	杨爱萍，宋尚阳，程思萌. 轻量化自适应特征选择目标检测网络[J]. 东北大学学报（自然科学版）, 2021, 42(9): 1238-1245.
[3]	丁敬国，郭锦华. 基于主成分分析协同随机森林算法的热连轧带钢宽度预测[J]. 东北大学学报（自然科学版）, 2021, 42(9): 1268-1275.
[4]	李占山，姚鑫，刘兆赓，张家晨. 基于LightGBM的特征选择算法[J]. 东北大学学报（自然科学版）, 2021, 42(12): 1688-1695.
[5]	崔雪婷，李颖，范嘉豪. 全局混沌蝙蝠优化算法[J]. 东北大学学报:自然科学版, 2020, 41(4): 488-492.
[6]	李占山，吕艾娜. 基于新冗余度的特征选择方法[J]. 东北大学学报:自然科学版, 2020, 41(11): 1550-1556.
[7]	吕帅，张桐搏，王强，刘磊. 两种新的基于扩展规则#SAT问题求解算法[J]. 东北大学学报:自然科学版, 2019, 40(5): 630-635.
[8]	刘文宝，刘文刚，张乃旭，李振. N，N-二(3-氯-2-羟丙基)十二胺对菱镁矿浮选脱硅性能的影响[J]. 东北大学学报:自然科学版, 2018, 39(8): 1192-1196.
[9]	王蒙湘，李芳芳，于戈. 交互式数据探索框架的特征自适应技术[J]. 东北大学学报:自然科学版, 2018, 39(12): 1685-1690.
[10]	连静，范悟明，李琳辉，袁鲁山. 基于道路工况分析的HEV控制策略优化方法[J]. 东北大学学报:自然科学版, 2017, 38(4): 551-556.
[11]	郭强，吴成东，赵迎春. 基于在线判别分布域特征选择的鲁棒跟踪算法[J]. 东北大学学报:自然科学版, 2017, 38(3): 305-309.
[12]	刘文宝，刘文刚，王鑫阳，张尧. 烷基羟丙基胺作用下石英和赤铁矿的浮选行为[J]. 东北大学学报:自然科学版, 2017, 38(12): 1775-1779.
[13]	王晓琳，高媛，姜维，赵晓雷. 潜在高能密度材料N₈的分子设计和爆炸性质[J]. 东北大学学报:自然科学版, 2016, 37(6): 824-827.
[14]	苗长胜，原常青，王兴伟，常桂然. 基于互信息和文化基因算法的网络流量特征选择[J]. 东北大学学报:自然科学版, 2014, 35(11): 1530-1533.
[15]	郭莹，张长胜，张斌. 一种求解SAT问题的人工蜂群算法[J]. 东北大学学报:自然科学版, 2014, 35(1): 29-32.