基于基因鎖定及鏈式智能體遺傳算法的特征選擇研究.pdf

1、特征選擇是模式識別、數(shù)據(jù)挖掘的重要數(shù)據(jù)預(yù)處理方法。研究對象的特征維數(shù)隨著所描述對象復(fù)雜程度遞增而增高，由于大量高維數(shù)據(jù)對象的特征空間中含有許多冗余特征甚至噪聲特征，所以運用特征選擇方法減少這些冗余或噪聲特征，來降低搜索時間和提高搜索效果已成為特征選擇的研究熱點。通常降低搜索時間和提高搜索結(jié)果的“滿意性”（滿意性即能夠滿足實際工程要求的特征子集性能）是矛盾的。論文將遺傳算法用于特征選擇的搜索中，針對工程中對實時性和滿意性的不同要求，研究相

2、關(guān)算法，主要工作和結(jié)果如下：
　　1.針對實時性要求強的，高維特征集進行滿意特征子集選擇的時候，傳統(tǒng)的特征選擇方法執(zhí)行時間很長，算法執(zhí)行效率低的問題，提出了基于基因鎖定位遺傳算法GLGA（Gene-Lock Genetic Algorithm）來進行特征選擇，該算法引入基因鎖定位算子，避免了對基因的重復(fù)搜索；采用基于特征標志位寄存器狀態(tài)的自適應(yīng)結(jié)束條件，加快了算法的收斂速度。
　　2.針對網(wǎng)絡(luò)式環(huán)境（Lattice）遺傳算法

3、搜索結(jié)果不能較好地滿足實際工程需要的問題，提出了基于鏈式智能體遺傳算法LAGA（Link Agent Genetic Algorithm）的特征選擇方法。該算法采用鏈式智能體結(jié)構(gòu)，取代了Lattice智能體結(jié)構(gòu)，有助于減小計算代價，保持種群多樣性；采用動態(tài)競爭的選擇策略，既可以自適應(yīng)擴大搜索范圍，又實現(xiàn)了局部尋優(yōu)，提高了搜索效率；采用自適應(yīng)交叉、變異算子，有效的保持了種群多樣性，提高了搜索滿意度。
　　3.文中選擇了國際通行的機器

4、學(xué)習(xí)數(shù)據(jù)集UCI（University of California，Irvine）中的兩個數(shù)據(jù)集進行實驗。分別將GLGA和LAGA與其它三種遺傳算法進行比較，且運用了三個不同的評價準則分別結(jié)合四種算法進行了特征選擇能力實驗和BP神經(jīng)網(wǎng)絡(luò)分類結(jié)果比較實驗。實驗表明：
　　①GLGA算法的執(zhí)行時間短，執(zhí)行效率高，能夠用于實時性強的特征選擇問題。并且，該算法所選出的特征子集的識別準確率也與其它三種特征選擇算法選出的結(jié)果相當(dāng)，有時甚至更高