%A 孙林, 李梦梦, 徐久成 %T 二进制哈里斯鹰优化及其特征选择算法 %0 Journal Article %D 2023 %J 计算机科学 %R 10.11896/jsjkx.220300269 %P 277-291 %V 50 %N 5 %U {https://www.jsjkx.com/CN/abstract/article_21515.shtml} %8 2023-05-15 %X 针对哈里斯鹰优化(Harris Hawk Optimization,HHO)算法在探索阶段仅使用随机策略初始种群,致使种群多样性下降,控制开发和探索过程中的线性变化的逃逸能量,在迭代后期易陷入局部最优等问题,提出了二进制HHO及其元启发式特征选择算法。首先,在探索阶段引入Sine映射函数,初始化哈里斯鹰种群位置,运用自适应调整算子来改变HHO搜索范围,并更新HHO的种群位置。其次,利用对数惯性权重改进逃逸能量的更新公式,将迭代次数引入跳跃距离中,使用步长调整参数调整HHO的搜索距离,进而平衡探索与开发能力;在此基础上设计了改进的HHO算法,避免HHO算法陷入局部最优。然后,引入S型和V型传递函数,更新改进的HHO算法的二进制位置和种群位置,设计了两种二进制的改进HHO算法。最后,使用适应度函数评估特征子集,并将二进制改进HHO算法与适应度函数相结合,提出了两种基于二进制的改进HHO元启发式特征选择算法。在10个基准函数和17个公共数据集上的实验结果表明,4种优化策略在10个基准函数上有效提升了HHO算法的优化性能,改进的HHO算法明显优于对比的其他优化算法;在12个UCI数据集和5个高维基因数据集上,将所提算法与基于BHHO的特征选择算法和其他特征选择算法进行比较,实验结果显示,基于V型改进的HHO特征选择算法具备良好的寻优能力与分类性能。