群体智能优化算法

群体智能优化算法

群体智能（SI）源于对以蚂蚁、蜜蜂等为代表的社会性昆虫的群体行为的研究，群居性生物通过协作表现出的宏观智能行为特征。群体智能算法有粒子群优化算法(PSO)、蚁群优化算法(ACO)、人工蜂群优化算法(ABC)、差分进化算法(DE)、引力搜索算法(GSA)、萤火虫算法(FA)、蝙蝠算法(BA)、布谷鸟优化算法(COA)、灰狼优化算法(GWO)、鲸鱼优化算法(WOA)和Salp群算法(SSA)等等

粒子群优化算法(PSO)

粒子群优化是一种强大的基于群体智能的优化方法，这种优化方法的灵感来自于鸟类和鱼类的集体行为，最近已被大量研究用于优化最终特征子集的选择。

研究现状

改进方式目标数目的应用场景将wrapper PSO和粗糙集理论相结合单目标提高疾病诊断的分类精度医学应用粒子群优化方法与支持向量机相结合单目标提高了特征选择的性能数值型将PSO-SVM与分布式并行架构相结合单目标克服高维数据集的高计算复杂度数值型开发新的初始化方法和最佳粒子更新策略单目标选择相关和非冗余特征的子集来降低计算复杂度数值型提出二值PSO (BPSO)算法与Hamming distance的集成模型多目标利用汉明距离来改进BPSO算法的速度更新过程医学应用提出改进的多目标PSO算法用于不可靠数据分类多目标提高粒子群算法的搜索能力数值型将相关特征选择与改进的二进制PSO算法相结合单目标去除不相关和冗余特征来选择相关度高的特征子集基因选择和癌症分类提出一种基于pso的特征选择方法单目标提高了疾病诊断的性能医学应用开发一种递归粒子群优化策略单目标以选择数据集中的相关和非冗余特征子集基因选择使用二进制黑洞算法和改进的BPSO算法单目标提高性能光谱学开发一种改进的BPSO方法用于特征选择单目标提高了肝病和肾脏疾病诊断中特征选择的准确性医学应用提出一种基于pso的多分类器特征选择单目标提高分类精度，降低计算复杂度数值型提出一种新的自适应参数和策略来处理高维数据集的特征选择多目标提高了粒子优化算法对高维数据集的搜索能力医学应用

蚁群优化算法(ACO)

蚁群优化(ACO)是群体智能的一部分，它模仿蚂蚁的合作行为来解决复杂的组合优化问题。

研究现状

改进方式目标数量目的应用场景将神经网络和IG方法相结合单目标去除冗余和不相关的特征数值型提出一种新的基于aco的基因选择方法单目标基因选择提出一种新的蚁群算法来去除不相关和冗余的特征单目标利用局部搜索策略来选择最终的特征集，避免陷入局部最优数值型基于粗糙集理论的蚁群算法特征选择方法单目标数值型提出一种无监督的基于aco的特征选择方法来去除冗余和不相关的特征单目标考虑特征之间的相似性，在分层过程中选择最优的特征子集数值型/医学应用提出特征选择和蚁群优化相结合的方法多目标提高不平衡数据的分类精度数值型

人工蜂群优化算法(ABC)

人工蜂群算法(ABC)是一种基于si的优化方法，其灵感来自于蜜蜂群体的生活方式。这个算法试图模仿蜜蜂群体的食物搜寻行为。该优化技术集成了局部搜索策略和随机搜索策略，可用于复杂优化问题。这种基于群体智能的优化技术在选择最终特征集方面已经被广泛应用。

研究现状

改进方式目标数量目的应用场景提出一种新的基于人工蜂群的特征选择方法单目标数值/医用开发一种改进的基于abc的特征选择方法（与相似度搜索策略）单目标提高了特征选择的性能数值/医用提出一种结合ABC算法和蚁群算法的特征选择方法单目标同时利用了人工蜂群算法和蚁群算法的优点数值/医用将ABC算法和pareto最优前表面相结合单目标提高特征选择方法的精度和ABC算法的收敛性数值型开发一种多Hive ABC编程方法单目标消除不相关和冗余的特征数值型开发一种基于abc的多目标特征选择方法多目标提高ABC搜索策略的搜索能力和收敛性数值型将多目标优化算法与样本约简策略相结合多目标提高分类精度，降低计算复杂度。数值型

差分进化算法(DE)

差分进化(DE)算法是一种基于si的搜索策略技术，已被开发用于解决复杂的优化问题。该优化方法克服了遗传算法缺乏局部搜索的主要缺点。DE算法与遗传算法的主要区别在于遗传选择算子。DE算法被用于机器学习任务和特征选择的不同应用中。

研究现状

改进方式目标数量目的应用场景DE算法和基于轮子的搜索机制开发一种基于包装器的特征子集选择单目标数值/医用提出一种基于多目标de的方法多目标去除不相关和冗余，提高分类精度数值/医用提出一种基于多目标de的特征选择方法多目标定义一种新的变异算子来逃避局部最优解数值/医用新的基于多目标de的特征选择方法多目标在进行特征选择的同时提高聚类算法的性能数值/医用

引力搜索算法(GSA)

一些基于si的优化方法也受到了物理定律的启发。引力搜索算法(GSA)是(Rashedi et al.，2009)一种受牛顿万有引力定律启发的基于物理的优化技术。GSA是一种流行的基于si的算法，在机器学习中得到了广泛的应用，近年来，许多特征选择方法都采用了这种优化算法。

研究现状

改进方式目标数量目的应用场景提出一种基于gsa的特征选择方法单目标使用线性混沌映射来提高分类精度数值/医用开发一种基于增强GSA和k -最近邻分类器的特征选择混合系统单目标采用分段线性混沌映射和序列二次规划进行勘探数值/医用提出一种高效的混合特征选择方法单目标利用SI和遗传算法的优点来提高GSA算法的性能数值/医用

萤火虫算法(FA)

萤火虫算法(FA)是由yang在2010a提出的，其主要思想是受到萤火虫之间光学连接的启发。萤火虫算法是群体智能的一个明智的例子，在该算法中，低性能的代理可以一起工作，以实现高性能的伟大结果。

研究现状

改进方式目标数量目的应用场景开发一种新的基于FAS的特征选择方法多目标防止FA算法的过早收敛，从而提高特征选择的准确性数值型在标准FA中添加了一些变体单目标提高了最终特征选择的准确性面部表情基于FA的特征选择方法单目标用于使用SVM分类器对阿拉伯文本进行分类文本基于FA的特征选择方法用于网络入侵检测单目标互信息和c4.5和贝叶斯网络的组合来选择特征网络入侵

蝙蝠算法(BA)

蝙蝠算法（BA）（Yang，2010b）是一种受蝙蝠在自然环境中集体行为启发的算法，由Yang于2010年引入。bat算法是一种基于群体智能的算法，其灵感来源于蝙蝠的回声定位行为。蝙蝠通过发送声波和接收反射来找到猎物的确切路径和位置。当声波返回蝙蝠波的发射器时，鸟儿可以在其周围环境前面画出障碍物的音频图像，并能很好地看到周围环境。

研究现状

改进方式目标数量目的应用场景bat算法和改进的PSO算法的混合变体单目标提高特征选择性能数值/医用提出一种基于二进制BA的图像隐写分析特征选择方法单目标提高最终的检测精度图像隐析使用bat算法搜索最佳特征子集（mRMR和BA相结合）单目标提高癌症分类的准确性医学应用

布谷鸟优化算法(COA)

布谷鸟优化算法 (COA) 是另一种基于群体智能的算法，灵感来自一种叫做布谷鸟 (Rajabioun，2011) 的鸟类的特殊生活方式。产卵的特定习惯和这种鸟的繁殖是形成这种优化算法的基础。与其他进化算法一样，布谷鸟优化算法始于杜鹃的初始种群。这种杜鹃的早期种群有许多卵被放置在寄主鸟的巢中。有些与寄主鸟蛋较为相似的蛋，长成成鸟的机会较大。其他卵被宿主蝴蝶识别并破坏。生长的鸡蛋表明，巢穴在搜索空间中是一个更好的地方，并且该区域的实用性更高。布谷鸟优化算法，也就是优化函数，目标是找到大多数鸡蛋有更多生存机会的地方。

研究现状

改进方式目标数量目的应用场景先用过滤式去无关，再用包裹法和COA选出最终特征单目标提高癌症分类的准确性数值/医用提出一种布谷鸟搜索算法和神经网络相结合的特征选择方法单目标在选择非冗余和相关特征的特征子集之后，将最终选择的特征发送到分类器，并对心脏病进行分类医学应用使用布谷鸟搜索优化来优化特征子集选择的过程，然后将这些选择的特征发送到SVM分类器单目标提高疾病诊断准确性基因表达

灰狼优化算法(GWO)

灰狼优化（GWO）是一种新的基于进化算法的优化技术，灵感来自灰狼（Mirjalili et al.，2014）。这种优化方法是最新的生物启发技术之一，它模仿了自然界中一群灰狼的狩猎过程。

研究现状

改进现状目标数量目的应用场景多目标GWO被用于搜索最相关和非冗余的特征多目标提高了包装器模型的精度数值/医用开发GWO的二进制版本单目标以选择用于分类任务的最佳特征子集数值/医用开发一种用于特征选择的多策略集成GWO单目标增强以前基于GWO的特征选择方法数值/医用开发一种基于GWO的包装器特征选择方法单目标集成了用于数据分类的突变算子数值/医用

鲸鱼优化算法(WOA）

鲸鱼优化算法 (WOA) 是另一种基于SI的优化方法，其灵感来自座头鲸的狩猎行为，这种优化方法由三个操作员组成，以模仿座头鲸的寻找猎物，包围猎物和气泡网觅食行为。最近，WOA算法已成功应用于许多不同的优化问题和特征选择。

研究现状

改进现状目标数量目的应用场景开发了具有模拟退火算法的混合WOA用于特征选择单目标搜索WOA算法定位的最有前途的区域来改善开发数值/医用开发了一种基于WOA的包装器特征选择算法单目标锦标赛和轮盘选择机制以及交叉和变异算子被用来改进WOA算法搜索过程的探索和开发数值/医用在高维医学数据集上使用鲸鱼算法的基于频率的滤波器特征选择方法单目标使用WOA利用过滤准则丢弃不相关的特征医学应用

Salp群算法(SSA)

移动和觅食时的群集行为。

研究现状

改进现状目标数量目的应用场景提出一种具有交叉方案的高效二进制Salp群算法单目标提高特征选择的准确性数值/医用通过将SSA算法与粒子群优化相结合单目标提高了探索和开发步骤的效率数值型改进的SSA和新的局部搜索算法的集成单目标初始解决方案的多样性数值/医用开发基于Salp群算法的特征加权方法单目标预测肝脏疾病、心脏和帕金森氏病的存在医学应用通过添加新的控制参数和惯性权重多目标提高基本SSA的求解精度、可靠性和收敛速度数值/医用提出一种新的SSA优化算法用于特征选择单目标通过鼓励搜索的探索，利用了一个附加阶段来克服陷入局部最优的问题数值/医用