文献类型：期刊文章

作　　者：申晋祥[1] 鲍美英[1] 张景安[2] 周建慧[1]

SHEN Jin-xiang;BAO Mei-ying;ZHANG Jing-an;ZHOU Jian-hui(School of Computer and Network Engineering,Shanxi Datong University,Datong 037009,China;Network Information Center,Shanxi Datong University,Datong 037009,China)

机构地区：[1]山西大同大学计算机与网络工程学院,山西大同037009 [2]山西大同大学网络信息中心,山西大同037009

出　　处：《计算机工程与设计》

基　　金：国家自然科学基金项目(11971277);山西大同大学科研基金项目(2020k10);山西大同大学云冈专项基金项目(2020YGZX016);山西大同大学校级教学改革创新基金项目(XJG2021249)。

年　　份：2023

卷　　号：44

期　　号：9

起止页码：2714-2721

语　　种：中文

收录情况：BDHX、BDHX2020、IC、JST、RCCSE、ZGKJHX、核心刊

摘　　要：针对樽海鞘群算法求解精度不高、收敛速度慢、容易陷入局部最优等问题,提出融合多种策略的改进樽海鞘群算法CESSA。在初始化种群时引入无限折叠混沌映射,增加初始种群的多样性;在领导者位置更新处融入非线性收敛算子,提高算法全局勘探收敛速度,增强解的精度;根据适应度值的优劣对追随者位置分别采用收敛算子和随机数扰动方式进行更新。改进算法CESSA与K近邻分类器结合构成特征选择模型CESSAFS并用于数据分类。在8个基准函数和10个UCI数据集上分别对CESSA和CESSAFS算法进行测试,其结果表明,改进算法性能更优。

关 键 词：特征选择  樽海鞘群算法  无限折叠混沌映射  全局优化 K近邻 基准函数 收敛  

分 类 号：TP301.6]