.png){kind=icon}
返回
Two-phase strategy-enhanced northern goshawk optimization algorithm for high-dimensional feature selection
.png){kind=icon}
PRE
AI
DOI：10.1007/s11227-025-08039-3.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（FS）是一个关键预处理步骤，通过消除冗余和不相关特征来提升模型性能。然而，高维数据引入了“维度灾难”，其特征为搜索空间呈指数级扩张、数据稀疏、模型过拟合以及高昂的计算成本。尽管北方雀鹰优化（NGO）算法因其简单性和参数少而具有潜力，但其在高维空间中的特征选择效能受限于搜索多样性不足和易陷入局部最优。为应对这些挑战，本文提出了一种二元两阶段策略增强的NGO（bTENGO）算法。本研究通过双阶段机制系统性地缓解维度灾难：（1）全局探索：引入带有随机参数的正弦-余弦混合策略以多样化搜索方向并防止早熟收敛，同时结合引导位置更新策略动态调整步长趋向全局最优，显著提升搜索效率；（2）局部开发：整合精英基础的邻域搜索的非线性双开发策略，平衡探索与开发，实现向高质量解的快速、稳定收敛并提升精度。在UCI数据集库14个高维数据集上的全面实验表明，bTENGO在实现优越特征削减的同时保持了有竞争力的分类精度。与九种当前先进FS算法的比较结果证实，bTENGO显著缓解了高维挑战，提供了稳健、高性能的特征选择。
Keyword:
Feature selection
Swarm intelligence algorithm
Northern goshawk optimization algorithm
High-dimensional data
期刊
T
IF:
0
论文数:
647
被引数:
0
机构
引用论文
Optimized k-nearest neighbors for classification of prosthetic hand movements using electromyography signal使用肌电信号对假肢手运动进行分类的优化k最近邻
PREAI
分享收藏A novel quasi-reflected Harris hawks optimization algorithm for global optimization problems.png)
SOFT COMPUTING
SOFT COMPUTINGIF2.5
PREAI
分享收藏分享收藏BEPO: A novel binary emperor penguin optimizer for automatic feature selectionBEPO: 一种用于自动特征选择的新型二进制帝企鹅优化器
PREAI
分享收藏Differential Evolution Algorithm With Strategy Adaptation for Global Numerical Optimization求解全局数值优化问题的策略自适应差分进化算法
OAAI
OAAI分享收藏
查看更多内容