[发明专利]基于改进哈里斯鹰算法的特征选择方法

权利要求书

1.基于改进哈里斯鹰算法的特征选择方法，其特征在于，包括：

随机构造初始的特征子集；

通过改进哈里斯鹰优化算法对所述特征子集进行迭代寻优；

利用目标函数获取哈里斯鹰特征子集的适应度，并确定其个体最优与全局最优；

根据所述全局最优输出特征子集。

2.根据权利要求1所述基于改进哈里斯鹰算法的特征选择方法，其特征在于，通过改进哈里斯鹰优化算法对所述特征子集进行迭代寻优，具体为：

将每一个特征子集对应的看成一个粒子，设粒子在t时刻的位置为X(t)，粒子的全局最优位置为gbest，粒子个体最优位置为pbest；当控制因子C_r值大于[0，1]间的随机数rand时，使用下式更新粒子位置：

其中d代表粒子的维度，范围是[1，D]中的任意整数，这里的D是粒子搜索空间的总维度；rand是在区间(0，1)内均匀分布的随机数；i代表当前粒子的索引号；当控制因子C_r值小于等于【0，1]间的随机数rand时，使用下式更新粒子位置：

Y＝gbest-E*(gbest-X_i) (3)

temp₁＝gbest-α₁*|gbest-X_i| (5)

temp₂＝mean_best_i-α₂*|mean_best_i-X_i| (6)

α＝a*(2*rand-1) (9)

其中E是粒子的逃逸能量因子；α₁、α₂均为权重因子，由式(9)得到；mean_best_i是从种群中比第i个粒子适应度好的前i-1个粒子的历史最优适应度值中随机抽取k个，再作均值，如式(7)所示。

3.根据权利要求2所述基于改进哈里斯鹰算法的特征选择方法，其特征在于，所述控制因子C_r值由式(10)获得，其中t为迭代次数，T为最大迭代次数：

4.根据权利要求1所述基于改进哈里斯鹰算法的特征选择方法，其特征在于，将二阶分类错误率与特征子集长度加权形成目标函数，具体为：

其中，sf代表所选择的特征子集长度；nf代表数据集中总共的特征数量；μ是平衡分类错误率与特征子集长度的平衡因子；balanced_error为分类错误率，fitness即为哈里斯鹰特征子集的适应度，对所述fitness进行排序得到个体最优与全局最优。

5.根据权利要求4所述基于改进哈里斯鹰算法的特征选择方法，其特征在于，所述分类错误率balanced_error由下式计算得到：

其中，n是问题的总类数，TP_i是第i类中被正确分类的实例数，S_i是第i类中包含的所有实例数。