.png){kind=icon}
返回
Victoria Amazonica optimization algorithm based on competitive selection strategy and dynamic mutation factor to solve feature selection problems
.png){kind=icon}
PRE
AI
DOI：10.1007/s13042-025-02958-6.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）是数据挖掘和机器学习中的关键预处理步骤。Victoria Amazonica Optimization（VAO）算法是一种受生物启发的元启发式算法，它模仿巨型亚马逊睡莲的生长和竞争来解决优化问题。我们提出了一种增强的VAO算法（SMu3-VAO），通过融入竞争性选择策略和动态变异因子来改进全局函数优化和特征选择。引入两种新颖的选择策略——等间隔提取和生态位竞争——以在适应度评估期间提升种群多样性。此外，我们将原始的线性衰减变异因子替换为自适应动态调整机制，增强了全局搜索能力和收敛性。在CEC 2022测试函数上的广泛实验证实了SMu3-VAO更高的精度和更快的收敛速度。对于特征选择，SMu3-VAO在18个UCI数据集上优于竞争算法，并通过KNN分类器性能得到验证。实验结果表明，在解决FS问题时，SMu3-VAO算法在分类准确率、平均适应度值和标准差等关键指标上表现出显著优势。与原始算法相比，SMu3-VAO算法将平均准确率提高了5.7%，将选择的特征数量平均提高了46.4%。
Keyword:
Dynamic mutation factor
Function optimization
Feature selection
Selection strategy
Victoria amazonica optimization algorithm
期刊
IF:
2.7
论文数:
3.2K
被引数:
5.6K
机构
引用论文
A Survey on Feature Selection Techniques Based on Filtering Methods for Cyber Attack Detection.png)
Information
OAAI
InformationIF0
OAAI分享收藏Benchmark for filter methods for feature selection in high-dimensional classification data高维分类数据中特征选择的过滤方法基准
OAAI
OAAI分享收藏Pattern recognition frequency-based feature selection with multi-objective discrete evolution strategy for high-dimensional medical datasets基于多目标离散进化策略的高维医学数据集模式识别频率特征选择OAAI
OAAI分享收藏分享收藏分享收藏分享收藏
查看更多内容