量子化信息素蚁群优化特征选择算法

近年来，许多涉及信息的领域中产生了包含众

多特征的高维数据，然而并不是所有特征都是重要

的。许多特征甚至是不相关或冗余的，这不仅使数

据处理过程变得困难，还降低了学习算法的效率，

如分类算法等学习算法的性能 [1] 。特征选择旨在利

用一种选择策略，消除不相关和冗余的特征，找到

最佳特征子集 [2] 。

根据选择策略的不同，特征选择方法可以分为

三类：过滤式方法、包裹式方法和嵌入式方法 [3] 。

过滤式：过滤式方法不依赖于任何的学习算法。

它们依靠训练数据的一般特性（如类间距离或统计

依赖关系）来选择特征 [4] 。这种方法具有很高的计

算效率。然而过滤式方法由于缺少具体的学习算法

指导特征选择阶段，选择出来的特征对于目标学习

算法而言可能并不是最优的。

包裹式：不同于过滤式方法，包裹式方法在评

价特征子集时，会检测特征变量间可能的相互作用

[5] 。此外，包裹式方法在评价特征子集时会根据不

同的问题选择不同的学习模型，因此，这种方法对

于某种学习模型往往更容易找到好的结果。

嵌入式：嵌入式方法将学习算法与特征选择部

分进行结合，这类方法所考虑的函数模型的结构在

其中起重要作用 [6] 。但是对于嵌入式方法而言，建

立合适的函数优化模型往往是一项艰巨的任务 [7] 。

特征选择是一个复杂的问题，对于一个有 n 个

特征的数据集，可能的解决方案的总数是 2 n -1 [8] ，

其搜索空间十分庞大。因此，用穷举搜索选择一组

最优特征的时间复杂度是 O(2 n ) [9] ，这在大多数情况

下是不切实际的。与传统方法相比，基于演化算法

的特征选择方法更适合于解决这种问题。

本文设计了一种基于随机二元蚁群网络的特征

选择方法，更换了启发式因子的计算方法，并提出 了一种新的信息素更新思路，将整体的信息素量子

化，赋予每个信息素生命周期，形成了量子化蚁群

特征选择算法（ QPACO ）。本文的其余部分如下 :

第一部分介绍相关工作，第二部分介绍基于 QPACO

的特征选择方法，第三部分展示实验结果并分析，

第四部分总结。

1 相关工作

近年来，基于演化计算的特征选择算法受到了

广泛研究， Xue 等人在文献中指出，最近已经有超

过 500 篇的基于演化计算的特征选择算法发表 [1] 。

1.1 基于演化算法的特征选择算法

基于演化计算的特征选择算法的研究近年来取

得了较为令人满意的结果。如 Rashedi 等人提出了

通过增强传递函数克服停滞问题的 IBGSA [10] ，

IBGSA 将二进制向量每个位与一个特征相关联，通

过寻找最优二进制向量找到特征选择的最优解；

Chuang 等人在二元粒子群算法 BPSO 中引入鲶鱼效

应提出了 CatfishBPSO [11] ， CatfishBPSO 将局部最优

中的粒子通过鲶鱼效应引导到新的搜索空间，同时

使用种群中最差的适应值替换 10% 的原始粒子，最

终避免了局部最优，进一步获得了更好的解； Il-Seok

等人提出了一种新的混合遗传特征选择算法

BGA [12] ，他们在该算法中设计局部搜索操作并将其

加入 GA 中以微调搜索过程，这种操作会根据其微

调效率进行参数化，并分析和比较它们的有效性和

时序性要求。

1.2 基于蚁群算法的特征选择

本文主要讨论基于蚁群算法的特征选择算法。

蚁群优化（ ACO ）是 Dorigo 等人提出的一种演化算

法 [13] 。蚂蚁之间的通信会产生正反馈行为，引导蚁

群收敛到最优解。蚁群路径上分布的信息素模拟了

真实蚂蚁所经过的路线上的化学物质 [14] 。

蚁群算法（ ACO ）解决特征选择的主要思想是

将问题建模为求解搜索图的最小成本路径问题，创

建一个包含节点的搜索空间并设计一个程序来寻找

解决方案的路径，蚂蚁的路径表示特征的子集。

ACO 基于信息素和启发式信息计算蚂蚁选择解路

径的转移概率。 Chen 等人使用这种类型的 ACO 进

行特征选择，提出了 ACOFS [15] ， ACOFS 中使用了

F-score 标准作为启发式值，但采用了不同的信息素

更新策略； Kashef 等人提出了一种优化的二进制蚁

群算法 ABACO [16] ，该算法的不同之处在于每个特

征都有两个节点，一个节点用于选择，另一个用于

取消选择相应的特征，最优特征子集是满足遍历停

止条件的最小节点数的蚂蚁遍历图。

与上述蚁群特征选择算法相比，本文提出的

QPACO 算法，采用了新的启发式因子的计算方法，

改变了传统的信息素的更新策略，避免了搜索特征

时的局部最优，提高了特征选择的精度。

2 QPACO 算法

2.1 基于蚁群的特征选择算法

基于蚁群的特征选择算法首先构造了由 n 个特

征组成的有向图，算法假设蚂蚁在初始时刻被随机

放置在 n 个特征节点中，并维护一张禁忌列表记录

每只蚂蚁已经访问过的节点，每条边的信息素 i , j τ 初

始值为 0 ，蚂蚁依据边上的信息素计算在 t 次迭代

时，蚂蚁 k 从特征 i 移动到特征 j 的概率（公式 1 ）：

 

其中， S 是蚂蚁 k 的禁忌列表； α 是信息启发

因子； β 是期望启发式因子，用于分配启发式信息

和信息素浓度的权重； η i , j 是启发式信息，通常计

算为（公式 2 ）： 

y 之间的边

（ ix ， jy ）上的信息素； η i x, j y 反映了边

缘（ ix ， jy ）可取性的启发式信息； α 和

β 是确定信息素值和启发信息的两个参

数。

（ 7 ） q 为信息素模拟消失常量， old τ 为原来的

信息素值， new τ 为更新后的信息素值，

∆ τ 为信息素变化量。

（ 8 ） dead τ 为在该次迭代中生命周期结束的信

息素量，其余符号意同公式（ 7 ）。

（ 9 ）

∑ ∆

m

τ 为该条路径上所有的蚂蚁所留下

的信息素总和， k ∆ τ 为该条路径在本次

迭代（ k 次迭代）时的更新量， k - cnt ∆ τ 为

cnt 次迭代前该条路径上的信息素更新

量，需注意这三者间的区分。 cnt 变量即

为我们最初所说的信息素单元的生命周

期。

（ 10 ）

c 是类别的数目， N 是特征的数目； k N i 是

k （ k=1 ， 2 ， … ， C ）类中的特征 i （ i=1 ，

2 ， … ， n ）的样本数；

k

ij x

是 k 类中的特

征 i 的 j （ j=1,2 ， … ， k N i ）次训练样本；

i x 是所有类的特征 i 的平均值； ki x 是 k

类中样本的特征 i 的平均值

（ 11 ）

n 是特征的总数，变量 ξ 是 (0,1) 的常数。

表 2 QPACO 伪代码

Table 2 Pseudo code of QPACO

Algorithm QPACO(dataset, dataclass, t_per,

iteration)

输入：数据集、数据集类别、数据训练分割百分

比、迭代次数（ dataset, dataclass, t_per, iteration ）

输出：拥有最高适应度的最优特征子集 1. Procedure QPACO

2. 检验读入数据

3. 初始化 alpha, beta, T0=0, MinT, MaxT （信息素

值的上下限）

4. 置信息素初 tau 是值为 T0

5. for i=1 to iteration do

6. 运用公式 10 和 11 计算启发式信息

7. 运用公式 6 计算每只蚂蚁在每条路上的选择概

率

8. 运用公式 9 更新信息素 tau

9. 记录 tau 的更新量 delta_tau

10. 评估构造子集并选择局部最优和全局最优子

集

11. End for

12. 返回拥有最高适应度的最优特征子集

3 实验结果与分析

3.1 实验数据与对比算法

我们从 UCI 数据库中选择了一些典型的数据集

对算法进行验证。表 3 列出了这些数据集的名称、

分类数、特征数、样本数。

 

为了更好的展现算法的可比性，我们选择了一

些具有代表性的特征选择算法与我们的算法进行比

较，其中包括 Catfish BPSO [11] 、二元遗传算法（ BGA ）

[12] 、改进二元引力搜索（ IBGSA ） [10] 、基于蚁群的

特征选择算法 ACOFS [15] 和 ABACO H [18] 、较新颖高

效的改进的森林优化特征选择算法 IFSFOA [19] 和二

元蝴蝶优化特征选择算法 S-bBOA [20] 等。

3.2 实验环境、评估指标及实验参数

3.2.1 实验环境

实验中，我们使用了 python 3.6 实现了我们的

算法，同时使用了公开的工具包 scikit-learn 。所有

实验均在一台配置为 Intel Core i5-4210H （ CPU ）、

8G 内存、 1TB 硬盘的电脑上完成。

3.2.2 评估指标

在本实验中，我们使用分类精度 (accuracy) 、精

确率（ precision ），召回率 (recall) 和维度缩减率

(feature-reduction, fr) 来评估我们所提出的算法性

能。

分类精度 (accuracy) ，即正确分类的样本数和测

试集的总样本数的百分比，其定义如下（公式 12 ）：

（ ）

测试集的总样本数

正确分类的样本数 分类精度 = 12

精确率（ precision ）和召回率 (recall) 如下（公式

 

其中， TP i 是第 i 类下正确分类的测试样本数；

FP i 第 i 类下错误分类的测试样本数； TN i 是在其

他类别下正确分类的测试样本数； FN i 是在其他类

别下错误分类的测试样本数。

定义维度缩减率 (feature-reduction, fr) 如下（公

式 15 ）：

（ 15 ）

nn

- p

Fr =

其中， n 是总特征数， p 是算法所选择的特征数。

3.2.3 算法参数设置

在 QPACO 与其他算法的对比实验中，我们统

一设置了算法的一些参数，它们的设置为：所有算

法的种群数量和迭代次数为 50 ；在每次实验中，

60 ％的样本随机选择进行训练，剩下 40 ％的样本用

于测试；实验结果在每个数据集和算法中独立运行

超过 20 次，最后统计平均值；蒸发系数 ρ 为 0.049 ；

每条路径上的最小和最大信息素强度分别设定为

0.1 和 6 ；每个边缘的初始信息素强度设定为 0.1 ； α

和 β 是决定信息素和启发信息的相对重要性的两个

参数，我们设 α=1 ， β=0.5 ；在分类器的选择上， 我

们使用了 K 近邻（ KNN ）分类器作为基分类器。

之所以使用 KNN 是因为它是一个通用简便的分

类方法，并且由于 KNN 分类器相较于其它分类

器来说，并不需要调整过多的参数，因此较容易

进行对比实验来验证特征选择算法的性能。最近 提出的许多特征选择，也都只使用了 KNN 作为

唯一的基分类器 [21-23] 。在实验中我们将参数 K 设

置为 1 。

3.3 实验结果与分析

3.3.1 实验结果

为了确保对比实验的准确性，表 4 与表 5 中的

部分数据结果采用了文献 [18] 中公开发表的实验结

果，表 4 是 QPACO 与其对比算法在不同数据集上

的分类精度的对比，括号中的数字表示了在各个数

据集上每种算法性能的排名。表 5 是 QPACO 与其

对比算法在不同数据集上的精确率、召回率及维度

缩减率的对比，最后一列为每个算法在所有数据集

上的指标和，和越大说明算法总体性能越好。

3.3.2 实验分析

QPACO 在时间效率上是基本等同于二进制蚁

群算法的，在算法的改进过程中，计算和记录每次

信息素的更新量，以及查找生命周期结束信息素量

的时间复杂的都是 O(1) 的，因此时间上的开销差距

并不明显，所以本文遵从了相关的基于演化计算的

特征选择方法的实验设计模式，并未采用时间效率

来衡量算法性能 [18-24] ，但计算了其它常用的评估指

标进行算法间的对比。

对比分类精度，在表 4 中我们不难看出， QPACO

在 Glass ， Iris ， Letter ， Shuttle ， Spambase ， Waveform ，

Wisconsin 这些数据集上均位居第一，在 Tae ， Wine

和 Yeast 上位居第二，只在 Vehicle 上稍显逊色。因

此 QPACO 在分类精度上有了很明显的提升。通过

对比表 5 中的精确率、召回率以及维度缩减率，我

们发现 QPACO 算法在大多数情况下精确率和召回

率都略高于其他算法，且维度缩减率维持在平均水

平以上。

表 4 QPACO 及其对比算法的平均分类精度对比

 

5.478 4 总 结

本文提出了基于传统蚁群算法和二进制蚁群

算法的量子化蚁群特征选择算法 QPACO 。 QPACO

中将信息素量子化，赋予每个信息素单独的生命周

期，同时修改了启发式因子的更新方式，增强了算

法的搜索能力。经过 11 个数据集和 12 个特征选择

算法的对比实验，验证了 QPACO 良好的性能。如

何在高维数据集中应用 QPACO 进行特征选择问题

的求解，将是下一步重点研究的内容。