.png){kind=icon}
返回
A step gravitational search algorithm for function optimization and STTM's synchronous feature selection-parameter optimization
.png){kind=icon}
OA
AI
DOI：10.1007/s10462-025-11193-y.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
支持张量列式机（STTM）能够充分利用张量数据结构的相关性，但其参数训练效率低且特征冗余大。针对这一问题，本文提出了一种步长引力搜索算法（SGSA），并将其用于STTM的同步特征选择和参数优化。由于引力搜索算法的单种群结构难以有效平衡探索与开发，本文通过步长函数定义了一种新的双种群结构。子种群Pop1专注于探索，并设计了一种Kbest-Elite混合学习策略，以避免因Kbest集合和引力常数G的快速减小而导致探索能力迅速下降。子种群Pop2专注于开发，并设计了一种融合柯西分布和高斯分布的位置更新策略，使Pop2始终保持一定的探索能力。最后，使用SGSA解决STTM的同步特征选择和参数优化问题（所得模型记为SGSA-STTM）。算法优化性能测试结果表明，与其它最新算法相比，SGSA在大多数测试函数上能获得相对最佳结果。在fMRI数据集上的分类性能测试显示，SGSA-STTM在大多数数据集上能去除超过40%的冗余特征，从而有效提高算法效率，且对StarPlus fMRI数据集和CMU Science 2008 fMRI数据集的分类准确率分别达到了60%和70%。
Keyword:
Step gravitational search algorithm
Feature selection
Support tensor train machine
Parameter optimization
CEC2022
期刊
IF:
13.9
论文数:
6.1K
被引数:
1.9W
机构
暂无机构信息
引用论文
Mantis Search Algorithm: A novel bio-inspired algorithm for global optimization and engineering design problems螳螂搜索算法: 一种用于全局优化和工程设计问题的新型生物启发算法
PREAI
分享收藏Improving the search performance of SHADE using linear population size reduction使用线性种群大小减小来改善SHADE的搜索性能
OAAI
OAAI分享收藏A comprehensive survey on recent metaheuristics for feature selection对最近用于特征选择的元启发式方法的综合调查.png)
NEUROCOMPUTINGOAAI
NEUROCOMPUTINGIF6.5
OAAI分享收藏LSHADE with semi-parameter adaptation hybrid with CMA-ES for solving CEC 2017 benchmark problems
PREAI
分享收藏A grey wolf optimizer-based chaotic gravitational search algorithm for global optimization基于灰狼优化的混沌引力搜索全局优化算法
PREAI
分享收藏
查看更多内容