.png){kind=icon}
返回
A Qubit-Inspired Artificial Flora Optimization Algorithm for Efficient Feature Selection
.png){kind=icon}
PRE
AI
DOI：10.1109/tbdata.2026.3728233.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
特征选择通过降低维度、提升分类性能和增强计算效率在优化机器学习模型中扮演着关键角色。本研究提出了自适应量子植物特征选择（AQFFS）算法，该算法结合了受人工植物启发的生长动力学与基于量子概率的转换，以识别紧凑且具有信息量的特征子集。通过根、茎、叶生长阶段实现结构化精炼，而Hadamard和Pauli-X量子门引入概率转换以平衡探索与利用。AQFFS在16个基准数据集上使用量子电路分类器和K-最近邻（KNN）分类器进行评估，以评估量子与经典范式下的性能。与包括人工植物优化（AFO）、量子遗传算法（QGA）、量子粒子群优化（QPSO）、改进二进制蝠鲼觅食优化（IBMRFO）、模糊适应度膜遗传算法结合禁忌搜索和爬山算法（FFMATSHC）以及模糊PSO结合贪婪前向选择（FPGFS）在内的几种最先进特征选择方法的比较实验表明，该算法在分类准确率、特征子集缩减和运行时间效率方面均有提升。消融分析强调了操作器启发式随机更新和生物引导适应的重要性，而统计显著性测试确认了性能提升在数据集和分类器间的稳定性。结果表明，AQFFS为高维特征选择提供了一个可扩展且模型无关的框架，适用于经典和量子机器学习场景。
Keyword:
Artificial Flora Optimization (AFO)
Feature Selection
High-Dimensional Data
Machine Learning
Quantum- Inspired Optimization
