.png){kind=icon}
.png){kind=icon}
返回
Enhancing high-dimensional feature selection with dynamic tri-competitive swarm optimization
.png){kind=icon}
PRE
AI
DOI：10.1016/j.jocs.2026.102882.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
作为关键机器学习预处理技术，特征选择（FS）旨在从高维数据中提取相关、非冗余的特征子集，同时消除无关特征。它通过降维缓解“维度灾难”，优化模型效率，降低计算成本，并增强泛化性能，因而在模式识别、数据挖掘和预测分析等领域的高维任务中不可或缺。然而，高维FS面临显著挑战：指数级特征空间扩张导致难以处理的组合爆炸搜索空间，强特征相关性引发冗余选择，传统优化算法易早熟收敛于局部最优，无法找到全局最优子集。由于FS本质上是一个组合优化问题，群智能算法因其全局搜索优势被广泛应用。传统的竞争群优化器（CSO）通过两两竞争增强种群多样性，但在高维FS中存在关键局限性：探索-开发权衡失衡及依赖单一适应度指标，导致单目标偏差，无法满足FS对高分类精度和紧凑特征子集的双重要求。为解决这些问题，本文提出动态三竞争群优化器（DTCSO），核心贡献如下：（1）基于双指标的三竞争机制通过整合分类精度和特征子集大小缓解单目标偏差，增强对兼顾有效性与紧凑性的高质量子集的选择压力；（2）动态多因素调整机制按进化阶段自适应调参，平衡探索与开发以实现高效优化；（3）集成螺旋搜索策略强化局部搜索能力，摆脱局部最优以提升子集质量。这些组件协同提升DTCSO的高维FS性能。在ASU特征选择库的19个数据集上的实验表明，DTCSO在分类精度和子集紧凑性方面均优于对比算法。为保障可复现性，源代码公开于https://github.com/lsb00/DTCSO。
Keyword:
feature selection
swarm intelligence
combinatorial optimization
high-dimensional data
dynamic tri-competition