基于蚁群优化算法的特征选择相关文献

        Dorigo等人在20世纪90年代初提出了蚁群优化算法（Ant colony optimization ，ACO)。ACO是一种元启发式群智能算法，旨在解决组合优化问题。它利用了真实蚂蚁的觅食行为，由被称为蚂蚁的人工媒介组成。每只蚂蚁在巢穴和食物来源之间的路径上沉积一些化学物质，形成信息素的踪迹。随着时间的推移，信息素蒸发，避免了蚂蚁进入局部最优；因此，蚂蚁越多，路径上的信息素就越强，蚂蚁就越倾向于选择这条路径（作为最短路径的概率越高）。基于“信息素蒸发”和“路径的概率选择”，ACO有助于解决组合优化问题

        本文所列举的文献内容来源于Mohsen Paniri等提出的"MLACO: A multi-label feature selection algorithm based on ant colony optimization"，这篇文章首次提出了一种基于蚁群优化(ACO)的多标签相关性-冗余特征选择方法MLACO。通过引入两个无监督和有监督的启发式函数，MLACO尝试通过多次迭代在特征空间中搜索，找到具有最小冗余（无监督）和类标签（监督）的特征。为了提高算法的收敛速度，还将特征和类标签之间的归一化余弦相似度作为每个蚂蚁的初始信息素。由于不考虑任何学习算法，可以归类为一种基于滤波器的特征选择方法。

        Tabakhi等提出基于蚁群优化的无监督特征选择算法UFSACO，是一种基于过滤器的多元方法，通过最小化特征相似性来计算特征相关性。缺点是不能有效地确定相关性特征。

        Tabakhi等提出基于蚁群优化的基于无监督滤波器的多元相关性-冗余特征选择方法，称为RRFSACO，使用各种启发式信息和策略来考虑特征子集之间的依赖关系，与原始特征集相比，特征子集往往具有良好的质量。

        Dadaneh等提出了使用蚁群优化称为UPFS的无监督概率特征选择，利用特征间信息来检测特征之间的冗余。每次迭代中的ACO算法计算当前特征与所有所选特征之间的冗余，以减少最终特征集的冗余，利用矩阵保持蚂蚁相关信息素，提取基于概率函数的特征秩。

        Moradi等提出一种用于特征选择的图聚类和ACO算法GCACO，是一种基于无监督滤波器的多元方法。一种社区检测算法将特征划分为聚类；然后，一种搜索策略方法选择最终的子集特征。

        Ghimatgar等人提出了Moradi的改进版本MGCACO，其中包含三个修改；首先，通过测量特征与类的相关性，信息素的初始化得到了改进。其次，利用多重判别分析(MDA)作为评价函数，提高特征子集的相关性和冗余性的质量，最后，MGCACO使用一个高效的成本函数，以一种非常有效的方式整合了特征的相关性和冗余性。

        Kashef等人提出了一种特征选择的ACO算法，称为高级二进制ACO(ABACO)。每个蚂蚁都有一个二进制向量，其中“1”表示选择，“0”表示删除相应的特征。

        wan等人提出了一种改进的二进制编码蚁群优化算法，并结合遗传算法(GA)MBACO。该方法提供了可见性密度模型(VMBACO)和信息素密度模型(PMBACO)两种模型，第一种模型使用遗传算法生成的解作为可见性信息，后者使用遗传算法生成的解作为初始信息素信息

        Peng等提出了一种基于蚁群优化的特征选择方法FACO，通过定义一个适应度函数和两阶段信息素更新规则，防止ACO落入局部最优。

        Singh等提出了一种新的基于蚁群优化的特征选择方法，用于功率质量干扰的分类。采用蚁群算法对最优特征选择(OFS)问题进行多目标处理。

        Ghosh等提出了一种基于蚁群优化的包装-过滤器特征选择技术WFSCOFS。该方法提出了一种将过滤器方法与包装器方法相结合的嵌入式系统，并引入了一种基于适应度的内存，以跟踪在所有代中生成的最佳解决方案。