基于免疫記憶克隆的特征選擇

高維數據在數據挖掘時容易引起維數災難問題，因此，如何對高維數據進行降維就成為一個關鍵的預處理步驟，特征選擇是常用的一種降維方法，雖然很多和特征選擇相關的問題被發現是NP－hard問題，但通過采用啟發式搜索算法，還是可以在運算效率和特征子集質量間尋找到一個好的平衡點，由于標準遺傳算法在應用中容易過早收斂，因此出現了新的智能計算方法如免疫克隆算法(ICMFS)、自適應遺傳算法、量子遺傳算法、協同進化等，但這些算法或復雜度高或局部搜索能力有限且不容易控制，近年來，借鑒免疫學中抗體克隆選擇學說的主要機理和相關免疫記憶理論的免疫記憶克隆算法取得了較好的結果，本文提出了一種基于免疫記憶克隆的封裝式特征選擇算法，利用抗體種群進行全局搜索，通過設立記憶單元來保留歷史最好個體，并對其嵌入可控制深度的局部搜索算子，用以加快抗體親和力成熟速度，這種算法既可以降低復雜度，又可以取得較好的特征子集。