Resumen

El problema de la selección de características es una cuestión fundamental en muchos campos de investigación. En este trabajo, el problema de la selección de características se considera un problema de optimización y se aborda utilizando un algoritmo evolutivo multiobjetivo a gran escala. Teniendo en cuenta el número de características seleccionadas, la precisión, la relevancia, la redundancia, la distancia interclase y la distancia intraclase, se construye un modelo de selección de características multiobjetivo a gran escala. Es difícil optimizar el problema de selección de características multiobjetivo a gran escala utilizando los algoritmos evolutivos tradicionales. Por lo tanto, este trabajo propone un algoritmo evolutivo multiobjetivo a gran escala basado en el ángulo vectorial modificado (MALSMEA). El algoritmo propuesto utiliza la mutación polinómica basada en la agrupación de variables en lugar de la mutación polinómica ingenua para mejorar la eficiencia de la resolución de problemas a gran escala. Además, se utiliza una novedosa estrategia de reemplazo de soluciones en el peor de los casos mediante la estimación de la densidad basada en el desplazamiento para reemplazar la mala solución de dos individuos con direcciones de búsqueda similares para mejorar la convergencia. Los resultados experimentales muestran que MALSMEA es competitivo y puede optimizar eficazmente el modelo propuesto.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Neurofisiología Proceso de aprendizaje
• Subjects:Artificial intelligence Data mining Genetic algorithms Neurophysiology Learning processes
• Palabras claves:selección de características, problema de selección de características, algoritmo evolutivo de objetivos, escala, muchos campos de investigación, algoritmo evolutivo tradicional, mutación polinómica ingenua, estimación de densidad basada, ángulo vectorial modificado, estrategia de sustitución de soluciones
• Keywords:objectives features selection, features selection problem, objectives evolutionary algorithm, scale, many research field, traditional evolutionary algorithm, naive polynomial mutation, based density estimation, modified vector angle, solutions replacement strategy