26、混合二进制粒子群优化与花授粉算法：特征选择新方案

混合二进制粒子群优化与花授粉算法：特征选择新方案

1. 引言

在优化领域，许多算法被广泛应用于不同的问题，如基准优化函数、经济调度问题、特征选择、约束工程优化问题等。花授粉算法（FPA）因其在强化和多样化之间的平衡，在搜索行为方面表现出色。多样化有助于发现搜索空间的新区域，而强化则通过加强当前良好解决方案的信息进行局部搜索。

本文提出了一种基于混合二进制粒子群优化（PSO）和花授粉算法（FPA）的特征选择算法（BPSOFPA），并结合粗糙集方法。通过两种基于S形和V形传递函数的二进制方法，BPSOFPA在问题空间中具有强大的搜索能力，能够有效地获得最小特征子集。为了验证其性能，我们将该算法与一些强大的近期算法进行了比较，并使用UCI机器学习库中的18个数据集进行了实验。

2. 标准算法和概念概述

2.1 标准粒子群优化（PSO）

PSO是一种基于群体的优化算法，由Kennedy和Eberhart于1995年提出，旨在获得最优解。在PSO中，每个粒子会与其他粒子协作，以获取并保持搜索历史中的最佳位置，这个位置被视为每个粒子的个人最佳位置。而整个群体到目前为止找到的最佳位置则被定义为全局最佳位置。

为了获得优化问题的最优解，每个粒子会从全局最佳和个人最佳位置学习，并根据其速度移动。粒子群的运动在每次迭代时按以下公式计算：
[
V’_i = \omega V_i + c_1 r_1(t)[P^ _i(t) - P_i(t)] + c_2 r_2(t)[g^ (t) - P_i(t)]
]
[
P’_i = P_i(t) + V’_i
]