.png){kind=icon}
返回
A Feature Selection Method Based on an Improved Sand Cat Swarm Optimization Algorithm with Multi-Strategy Fusion
.png){kind=icon}
PRE
AI
DOI：10.3390/e28060595.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
特征选择（FS）在高维数据分析中发挥着关键作用，通过提升模型性能和降低计算复杂度。然而，现有的基于元启发式算法的FS方法常因种群多样性不足、早熟收敛和局部最优逃逸能力有限等问题，显著限制了其在复杂搜索空间中的有效性。为解决这些挑战，本文提出了一种新型融合多策略改进沙猫群优化算法（ISCSO）用于特征选择。所提方法引入基于Hénon混沌映射和透镜成像反向学习的混合初始化机制以增强种群多样性。进一步融合基于黄金正弦的相位调整策略，以更有效地平衡全局探索与局部开发。此外，设计非线性自适应权重机制动态调节搜索过程，并集成模拟退火接受准则以提升逃逸局部最优的能力。在CEC2017基准测试套件和UCI库中的18个真实数据集上进行全面实验。结果表明，ISCSO在先进算法中表现优异，在82.76%的基准函数上获得最优结果。在特征选择任务中，ISCSO在94.44%的数据集上实现最优平均适应度，显著降低特征维度，并持续提升分类精度。这些发现表明，ISCSO为高维特征选择和复杂优化问题提供了有竞争力的可靠解决方案。
Keyword:
feature selection
SCSO algorithm
multi-strategy fusion
high-dimensional data
