BIARO: an improved artificial rabbit optimization algorithm for feature selection in high-dimensional data

Esraa Al-Daom

doi:10.1007/s10586-025-05540-5

2025-09-22

PRE

Esraa Al-Daom

Bilal H. Abed-alguni *

DOI：10.1007/s10586-025-05540-5

原文链接

原文求助

摘要

En 中文

为机器学习准备数据集的最关键步骤之一是特征选择（FS）。其目标是在给定数据集中识别能最好地捕捉所有特征本质的最小特征子集。然而，由于高维数据集（HDDs）中FS问题的指数复杂性，使用精确方法解决FS问题耗时较长。因此，可采用近似方法（如元启发式算法）在合理时间内解决FS问题。人工兔子优化（ARO）算法是一种新型优化搜索方法，通过模拟野兔的社会行为来解决复杂的连续优化问题。在基本形式下，ARO不能直接应用于解决二元优化问题，例如HDDs中的FS问题。此外，ARO存在一些性能缺陷，如早熟收敛和有限的探索能力。因此，本研究引入了二进制改进ARO算法（BIARO），以更高效地解决HDDs中的FS问题。BIARO从四个方面改进了ARO算法的搜索过程。首先，在ARO算法开始时实施高斯扰动（GP）方法，为特征初始二元组合的创建过程添加随机动态行为。其次，在ARO的进化过程中利用自适应β-爬山（ABHC）方法，提升其全局搜索和探索能力。第三，在ARO的进化过程中采用混合对立学习（MOBL）方法，探索种群中最佳和最差兔子对应解的反向解。最后，采用二进制转换方法，从ARO和ABHC算法的进化过程产生的实数计算特征二元子集。通过来自不同领域的21个真实HDDs，对BIARO、六种机器学习分类器以及九种高效、流行的仿生FS算法的性能进行了评估。实验结果表明，BIARO在真实HDDs中取得了卓越效果，平均准确率在0.69至1之间，平均精确率在0.67至1之间，平均F1分数在0.67至1之间，平均召回率在0.67至1之间，性能提升率在−2%至66%之间。此外，采用统计验证方法评估了实验结果的可靠性。统计结果显示，基于适应度值，BIARO在14个HDDs中排名第一，p值为0.001；基于所选特征数量，在18个HDDs中排名第一，p值为0.001。所有实验和统计结果均证明，BIARO是HDDs中一种高效的FS方法。

Keyword:

Feature selection

Artificial rabbit optimization

Mixed Opposition-based learning

Adaptive β-hill climbing algorithm

Gaussian perturbation