克日，，人工智能学院西席陈兴旺以第一作者身份在《Biomimetics》期刊揭晓了题为“FTDZOA:An Efficient and Robust FS Method with Multi-Strategy Assistance”的论文，，该期刊属于SCIE检索期刊，，是JCR Q1分区，，中科院三区。。
本文提出一种增强型斑马优化算法（ZOA），，称为FTDZOA，，解决ZOA在处理特征提取�。‵S）问题时容易受到局部最优特征子集的影响、、全局搜索能力有限以及收敛缓慢等问题。。接纳分数阶搜索战略（fractional order search strategy）来保存前几代的信息，，从而提高ZOA的使用能力。。其次，，引入三重均值点指导战略（triple mean point guidance strategy），，综合全局最优点、、随机点和目今点的信息，，有用增强ZOA的探索能力。。最后，，通过引入差分战略（differential strategy），，整合差别个体之间的信息差别，，进一步提高了ZOA的探索能力。。通过与九种先进的FS要领举行较量剖析，，发明FTDZOA在凌驾90%的数据集上实现了更高的分类准确率。。
本文的主要孝顺包括：：：
1.多战略辅助优化框架：：：FTDZOA要领立异性地连系了多个优化战略（例如，，启发式搜索、、局部搜索、、全局搜索等），，以提高特征选择的准确性和效率。。这种多战略协同优化的头脑增强了算法的全局探索能力，，并阻止了陷入局部最优解。。
2.高效的搜索机制：：：通过引入一个新的搜索机制，，FTDZOA能在更短的时间内找到最优的特征子集。。这种机制能够有用地平衡搜索空间的探索和开发，，阻止了古板要领中的盘算瓶颈，，从而在大规模数据集上提供了更好的性能。。
3.鲁棒性与顺应性：：：FTDZOA在处理含有噪声或冗余特征的数据集时体现出了强盛的鲁棒性。。通过多种战略的联合优化，，算法能够有用识别并去除无关或冗余特征，，降低了噪声对模子性能的负面影响，，提升了算法的顺应性。。
4.实验验证与性能较量：：：在多个标准数据集上的实验批注，，FTDZOA在特征选择使命上优于现有的几种主流要领（例如，，遗传算法、、粒子群优化等），，不但在精度上有优势，，并且在盘算效率上也显示出了较强的竞争力。。
5.应用普遍性：：：该要领具有较好的通用性，，可以应用于种种类型的机械学习使命中，，特殊是在高维、、希罕或噪声较多的数据集上体现出显著的优势。。这使得FTDZOA成为一个在现实应用中很是有价值的特征选择工具。。
本论文为2024年bti体育校内导师制项目《图像处理与移动边沿盘算使命调理相关要领若干研究（2024HSDS06）》研究效果。。
（图文/人工智能学院 责任编辑/刘育静）
门户
华小AI
webVPN
邮箱
粤公网安备 44011802000240号 
