×
Abdelmonem M.易卜拉欣。；穆罕默德·塔维德（Mohamed A.Tawhid）。

一种新的用于特征选择和分类的bat算法和差分进化的混合二进制算法。 （英语） Zbl 07310489号

Dey，Nilanjan（编辑）等，蝙蝠算法及其变体的应用。新加坡：斯普林格。Springer Tracts Nat.-灵感。计算。，1-18 (2021).
小结：在本章中，提出了一种新的混合二进制bat算法（BA）来解决特征选择问题。特别是，BA与差分进化算法（DE）的增强版本集成。在该算法中，BA具有探索特征空间的回声定位能力，结合了DE及其在搜索空间中收敛到最佳全局解的能力。通过与原始优化器和文献中用于特征选择的其他优化器进行比较，研究了该算法的一般性能。将所提出的算法和各种t优化器应用于从UCI存储库获取的数据集。结果证明了该算法在特征空间中搜索最优特征组合的能力。
关于整个系列，请参见[Zbl 1457.92003年].

引用于1文件

MSC公司：

68瓦xx 计算机科学中的算法

关键词：

优化算法；bat算法；差异演化；特征选择；分类

软件：

UCI-毫升
PDF格式BibTeX公司 XML格式引用
\textit{A.M.Ibrahim}和\textit{M.A.Tawhid}，in：bat算法及其变体的应用。新加坡：斯普林格。1-18（2021；Zbl 07310489）
全文： DOI程序

参考文献：

[1] Xue B，Zhang M，Browne WN，Yao X（2015）关于特征选择的进化计算方法的调查。IEEE跨进化计算机20（4）：606-626·doi:10.1109/TEVC2015.2504420
[2] Jue W，Qi Z，Hedar A，Ibrahim AM（2014）基于分散搜索元启发式的特征选择粗糙集方法。综合系统科学杂志27:157-168·Zbl 1294.93074号 ·doi:10.1007/s11424-014-3298-z
[3] Al-Sahaf H，Bi Y，Chen Q，Lensen A，Mei Y，Sun Y，Tran B，Xue B，Zhang M（2019）进化机器学习研究。社会科学杂志Z 49（2）：205-228·doi:10.1080/03036758.2019.1609052
[4] Nayar N、Ahuja S、Jain S（2019）《用于特征选择的群体智能：文献综述和对未来挑战的思考》。内容：数据和信息科学进展。施普林格，第211-221页
[5] Taradeh M、Mafarja M、Heidari AA、Faris H、Aljarah I、Mirjalili S、Fujita H（2019）《基于进化引力搜索的特征选择》。信息科学497:219-239·doi:10.1016/j.ins.2019.05.038
[6] Hedar A-R，Ibrahim AM，Abdel-Hakim AE，Sewisy AA（2018）K-means克隆：自适应球形K-means聚类。算法11（10）·Zbl 1461.62096号
[7] Mirjalili SM，Yang X-S（2014）二进制蝙蝠算法。神经计算应用程序25:663-681·doi:10.1007/s00521-013-1525-5
[8] Sayed GI，Hassanien AE，Azar AT（2019）通过一种新的混沌乌鸦搜索算法进行特征选择。神经计算应用31:171-188·doi:10.1007/s00521-017-2988-6
[9] Emary E，Zawbaa HM，Hassanien AE（2016），特征选择的二元灰狼优化方法。神经计算172:371-381·doi:10.1016/j.neucom.2015.06.083
[10] Mirjalili S，Wang G-G，Coelho LDS（2014）《使用混合粒子群优化和引力搜索算法的二进制优化》。神经计算应用25:1423-1435
[11] Tawhid MA，Ibrahim AM（2020）基于粗糙集方法的混合二进制粒子群优化和花授粉算法用于特征选择问题。施普林格国际出版公司，查姆，第249-273页
[12] Tawhid MA，Dsouza KB（2019）使用混合二进制遗传增强粒子群优化算法解决特征选择问题。国际J混合智能系统1-13（预发布）
[13] Tawhid MA，Dsouza KB（2018）用于解决特征选择问题的混合二进制蜻蜓增强粒子群优化算法。数学发现计算1（2）：181-200·doi:10.3934/mfc.2018009年
[14] Tawhid M，Dsouza KB（2018）用于解决特征选择问题的混合二进制蝙蝠增强粒子群优化算法。应用程序计算信息
[15] Guyon I，Elisseeff A（2003）变量和特征选择简介。J Mach学习研究3:1157-1182·兹比尔1102.68556
[16] Liu H，Motoda H（2007）特征选择的计算方法。CRC出版社·Zbl 1130.62118号
[17] Liu H，Motoda H（2012）《知识发现和数据挖掘的特征选择》，第454卷。施普林格科技与商业媒体·Zbl 0908.68127号
[18] Hedar A-R，Ibrahim A-MM，Abdel Hakim AE，Sewisy AA（2018）使用集成粗糙集和分散搜索属性约简的调制聚类。收录：遗传和进化计算会议论文集，GECCO’18。美国纽约州纽约市ACM，第1394-1401页
[19] Tawhid MA，Ibrahim AM（2019）基于粗糙集方法、包装器方法和二进制鲸鱼优化算法的特征选择。国际J机器学习网络1-30
[20] Yang X-S（2010）一种新的元启发式蝙蝠启发算法。施普林格，柏林，海德堡，第65-74页·Zbl 1197.90348号
[21] Storn R，Price K（1997）差分进化——一种简单有效的启发式算法，用于连续空间上的全局优化。J Glob Optim公司11:341-359·Zbl 0888.90135号 ·doi:10.1023/A:1008202821328
[22] Dua D，Graff C（2017）UCI机器学习库
[23] Stone CJ、Olshen RA、Breiman L、Friedman J（1984）分类和回归树。数学与统计。查普曼和霍尔/CRC·Zbl 0541.62042号
[24] Witten I、Frank E、Hall M（2011）《数据挖掘：实用机器学习工具和技术》。摩根考夫曼数据管理系统系列。爱思唯尔科学
[25] Gupta B、Rawat A、Jain A、Arora A、Dhami N（2017）数据挖掘中分类的各种决策树算法分析。国际J计算应用163（8）：15-19
[26] Derrac J，García S，Molina D，Herrera F（2011）关于使用非参数统计测试作为比较进化算法和群体智能算法的方法的实用教程。群体进化计算1（1）：3-18·doi:10.1016/j.swevo.2011.02.002
[27] Tawhid MA，Savsani P（2019）求解旅行商问题的带局部搜索的离散正弦算法（DSCA）。阿拉伯科学与工程杂志44（4）：3669-3679·doi:10.1007/s13369-018-3617-0
[28] Savsani P，Tawhid MA（2018）解决旅行推销员问题的离散传热搜索。数学发现计算1（3）：265-280·Zbl 1486.68181号 ·doi:10.3934/mfc.2018012年
[29] Tawhid MA，Ibrahim AM（2020）求解非线性系统的灰狼优化器和微分进化的混合。进化系统11（1）：65-87·doi:10.1007/s12530-019-09291-8
[30] Ibrahim AM，Tawhid MA（2019）求解非线性系统的布谷鸟搜索和粒子群优化的混合。进化智能12（4）：541-561·doi:10.1007/s12065-019-00255-0
[31] Tawhid MA，Ali AF（2019）解决整数规划和极大极小问题的多向和声搜索算法。国际生物灵感计算杂志13（3）：141-158·doi:10.10504/IJBIC.2019.099179
[32] Tawhid MA，Ali AF（2016）用于解决整数规划和极大极小问题的单纯形社交蜘蛛算法。Memet计算8（3）：169-188·doi:10.1007/s12293-016-0180-7
[33] Tawhid MA，Ali AF（2017）最小化分子势能函数的混合社会蜘蛛优化和遗传算法。软计算21（21）:6499-6514·doi:10.1007/s00500-016-2208-9
[34] Maji P，Paul S（2011）基于粗糙集的最大相关性·doi:10.1016/j.ijar.2010.09.006
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。