Elite-Guided Nutcracker Optimization Algorithm with Memory-Differential Spiral Search for Feature Selection

doi:10.3390/biomimetics11100684

2026-09-23

Baowei Pang

Chunying Kang *

DOI：10.3390/biomimetics11100684

原文链接

原文求助

摘要

En 中文

特征选择能够有效去除分类任务中的冗余和不相关特征；然而，针对不同维度数据集的特征子集搜索仍面临初始化随机性强、搜索空间复杂、局部开发方向单一以及难以有效更新劣质个体等挑战。本文提出了一种基于精英引导的带记忆-差分螺旋搜索的核桃夹优化算法（EGRNOA）用于特征选择。所提方法首先采用最小冗余最大相关（mRMR）进行候选特征预选，从而减少后续搜索过程中冗余特征的干扰。随后利用Logistic–Tent混沌初始化增强初始种群分布的均匀性。在NOA觅食阶段，设计了一种记忆-差分螺旋搜索策略，将全局最优记忆、个体历史最优记忆和随机差分方向共同融入螺旋更新过程，使搜索不再仅收缩于单一最优个体，从而在增强局部开发能力的同时维持定向扰动。构建了多样性自适应的精英引导劣质个体重构机制，该机制利用精英种群信息定向修复劣质个体，提高了种群更新效率并缓解了早熟收敛。在CEC2020基准函数上的实验结果表明，EGRNOA在全部十个函数上均取得最佳或持平的最佳平均结果，并获得了Friedman平均排名1.050的最佳值。在十个不同维度的分类数据集上，EGRNOA在九个数据集上取得最高平均分类准确率；在movement数据集上，其平均准确率较次优算法提升了6.41个百分点。收敛曲线、箱线图、临界差异图和消融实验进一步验证了记忆-差分螺旋搜索和多样性自适应精英引导重构机制在提升搜索质量及增强特征选择鲁棒性方面的有效性。

Keyword:

feature selection

multidimensional datasets

nutcracker optimization algorithm

mRMR

logistic–tent chaotic mapping

memory-differential spiral search

elite-guided search