基于集成二进制算术优化算法的高维特征选择方法研究及其在生物医学大数据中的应用

《Swarm and Evolutionary Computation》：An ensemble model for high dimensional feature selection based on binary arithmetic optimization algorithm

本文提出了一种集成二进制算术优化算法（EBAOA），通过融合多目标优化框架和稀疏初始化策略，有效解决了高维数据（特征数>1000）特征选择中的性能退化问题。该方法创新性地基于四种过滤算法（PCC、CHI2、ReliefF、NCA）构建了八个相互关联的目标，在24个高维数据集上的实验表明，EBAOA能在保持最低错误率的同时选择最小特征子集，为生物信息学等高维数据处理提供了新思路。

　　

主要贡献

本文的主要贡献总结如下：

(1) 基于4种过滤式特征选择算法设计了8个既相互区别又相互关联的目标，并分析了目标间的相似性。

(2) 提出了一种稀疏初始化方法，能将初始选择的特征数量减少约50%。

(3) 通过将多目标优化机制融入原始BAOA框架，提出了集成二进制算术优化算法（EBAOA）。与PBAOA相比，EBAOA实现了错误率显著降低9.78%的优异效果。

(4) 在24个高维数据集上的大量实验表明，EBAOA在使用K-近邻（K-Nearest Neighbors）、支持向量机（Support Vector Machine）和随机森林（Random Forest）等多种分类器时，始终能获得最小的特征子集和最低的错误率。

结论

本文提出了集成二进制算术优化算法（EBAOA），这是一种用于高维特征选择的新方法，旨在提升处理包含数千个特征的数据集时的性能。EBAOA通过将多目标优化框架集成到二进制算术优化算法（BAOA）中，利用四种过滤式算法（PCC、CHI2、ReliefF和NCA）的互补优势，构建了八个相互关联的目标。