【特征选择】基于二元多邻域人工蜂群 (BMNABC) 解决特征选择问题附matlab代码

✅作者简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，matlab项目合作可私信。

🍎个人主页：Matlab科研工作室

🍊个人信条：格物致知。

更多Matlab仿真内容点击👇

智能优化算法       神经网络预测       雷达通信       无线传感器        电力系统

信号处理              图像处理               路径规划       元胞自动机        无人机 

⛄ 内容介绍

基于人工蜂群算法的数据特征选择方法,包括以下步骤: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；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；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；计算选择概率模型函数,并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；观察开采次数,实施采蜜蜂位置更新机制；保留目前为止最优解位置,即代表最优特征子集；若达到最大迭代次数,则输出最优特征子集；否则重复以上步骤。

特征选择（特征子集选择）问题是各个领域重要的预处理阶段之一。在真实的数据集中，存在许多无用的无关、误导和冗余的特征。可以通过特征选择技术提取主要特征。特征选择属于NP-hard问题；因此，元启发式算法可用于解决该问题。引入了一种称为二进制多邻域人工蜂群（BMNABC）的新二进制 ABC，以增强 ABC 阶段的探索和开发能力。BMNABC 在第一阶段和第二阶段应用具有新概率函数的近邻和远邻信息。第三阶段比标准 ABC 更有意识地搜索那些在前几个阶段没有改进的解决方案。

⛄ 部分代码

global A trn vald SzW

SzW=0.01;

x=x>0.5;

x=cat(2,x,zeros(size(x,1),1));

x=logical(x);

if sum(x)==0

    FitnessValue=inf;

    return;

end

c = fitcknn(A(trn,x),A(trn,end),'NumNeighbors',5);  %K=5

cpp = predict(c,A(vald,x));

cp = classperf(A(vald,end),cpp);

FitnessValue=(1-SzW)*(1-cp.CorrectRate)+SzW*sum(x)/(length(x)-1);

⛄ 运行结果

⛄ 参考文献

[1]巢秀琴, 李炜. 人工蜂群算法优化的特征选择方法[J]. 计算机科学与探索, 2019.

[2]葛宇, 梁静, 王学平,等. 改进人工蜂群算法求解多目标连续优化问题[J]. 计算机科学, 2014, 41(6):7.

Z. Beheshti，BMNABC：用于高维离散优化问题的二进制多邻域人工蜂群，Cybern。系统。49 (2018) 452–474。

⛄ 完整代码

❤️部分理论引用网络文献，若有侵权联系博主删除

❤️ 关注我领取海量matlab电子书和数学建模资料