[发明专利]一种基于人工蜂群算法的数据特征选择方法

权利要求书

1.一种基于人工蜂群算法的数据特征选择方法，其特征在于，包括以下步骤：

(1)确定人工蜂群算法的控制参数，将获得的数据集进行预约归一化处理；

(2)初始化产生一组采蜜蜂位置，依据选择的特征选择适应度函数计算每一个采蜜蜂的适应度值，并将其对应的开采次数置为零；

(3)基于人工蜂群算法的更新方式，更新采蜜蜂位置，计算新个体的适应度值并更新其开采次数；

(4)计算选择概率模型函数，依概率模型函数选择一个采蜜蜂作为观察蜂，更新观察蜂位置，计算新个体的适应度值并更新其开采次数；

(5)观察开采次数，实施采蜜蜂位置更新机制；

(6)保留目前为止最优解位置，即代表最优特征子集；

(7)若达到最大迭代次数，则输出最优特征子集；否则重复步骤(2)～步骤(6)。

2.根据权利要求1所述的基于人工蜂群算法的数据特征选择方法，其特征在于，所述步骤(1)的具体为：对数据集中的每一维特征值映射至[0,1]范围，即f'＝(f-fmin)/(fmax-fmin)，其中，f'为该维特征映射后的值，f为该维特征未映射前的值，f min为该维特征在数据集中的最小值，fmax为该维特征在数据集中的最大值。

3.根据权利要求1所述的基于人工蜂群算法的数据特征选择方法，其特征在于，所述步骤(2)中初始化产生一组采蜜蜂位置具体为：针对特征选择这一组合优化问题，对采蜜蜂位置采用二进制编码，编码长度值代表数据集中原始特征的总个数，用“1”表示该位代表的特征被选中，用“0”表示该位代表的特征未被选中。

4.根据权利要求3所述的基于人工蜂群算法的数据特征选择方法，其特征在于，所述步骤(2)中每一个采蜜蜂的适应度值计算方式为Fit＝w*(1-Acc)+(1-w)*(N₁/N₂)，其中，Fit为适应度函数值，Acc为基于数据集利用10-fold交叉验证法计算得到的学习算法的准确率，N₁为采蜜蜂位置中置为“1”的个数，N₂为数据集中原始特征的总个数；w为权重值，取值范围为[0,1]。

5.根据权利要求1所述的基于人工蜂群算法的数据特征选择方法，其特征在于，所述步骤(3)中基于人工蜂群算法的更新方式为其中，R为0～1的随机数，x_ij代表第i个采蜜蜂第j个位置的值，v_ij为x_ij更新后的值，NOT代表取反逻辑操作。

6.根据权利要求1所述的基于人工蜂群算法的数据特征选择方法，其特征在于，所述的步骤(4)中概率模型函数为其中，Fit_i为第i个采蜜蜂的适应度值，p_i为第i个采蜜蜂被选中的概率。

7.根据权利要求1所述的基于人工蜂群算法的数据特征选择方法，其特征在于，所述的步骤(5)具体为：观察采蜜蜂对应的开采次数，如果开采次数大于或等于最大开采次数，则将此采蜜蜂的位置替换为一个重新随机初始化的位置。