Resumen

Para datos de alta dimensionalidad con un gran número de características redundantes, los algoritmos existentes de selección de características todavía tienen el problema de la maldición de la dimensionalidad. En este sentido, el artículo estudia un nuevo algoritmo de selección de características evolutivo de dos fases, llamado algoritmo de optimización del cerebro entero con enteros guiado por agrupamiento (IBSO-C). En la primera fase, se propone un método de agrupamiento de características guiado por la importancia para agrupar características similares, de modo que el espacio de búsqueda en la segunda fase pueda reducirse notablemente. La segunda fase se aplica a encontrar un subconjunto óptimo de características utilizando una optimización del cerebro entero con enteros mejorada. Además, se proponen una nueva estrategia de codificación y un método de actualización de enteros variable en el tiempo para los individuos con el fin de mejorar el rendimiento de búsqueda de la optimización del cerebro entero en la segunda fase. Dado que el número de grupos de características es mucho menor que el tamaño de las características originales, IBSO-C

• Materias:Modelo Matemático Gestión ambiental Sistemas dinámicos Datos estructurales Sistema inalámbrico
• Subjects:Mathematical model Environmental management Dynamic systems Structural data Wireless system
• Palabras claves:Selección de características; Algoritmo evolutivo; Agrupamiento; Datos de alta dimensionalidad; Maldición de la dimensionalidad; Optimización
• Keywords:Feature selection; Evolutionary algorithm; Clustering; High-dimensional data; Curse of dimensionality; Optimization