摘要
算法选择是指从可行算法中为给定问题选择满足需求的算法,基于元学习的算法选择是应用较为广泛的方法,元特征和元算法是其中的关键内容,而现有研究难以充分利用元特征的互补性和元算法的多样性,不利于进一步提升方法性能.为了解决上述问题,提出基于多目标混合蚁狮优化的算法选择方法(SAMO),设计算法选择模型,以集成元算法的准确性和多样性作为优化目标,引入元特征选择和选择性集成,同时选择元特征和异构元算法以构建集成元算法;提出多目标混合蚁狮算法对模型进行优化,使用离散型编码选择元特征子集,通过连续型编码构建集成元算法,应用增强游走策略和偏好精英选择机制提升寻优性能.使用 260个数据集、150种元特征和 9种候选算法构建分类算法选择问题来进行测试,分析方法的参数敏感性,将多目标混合蚁狮算法与 4种演化算法进行比较,通过对 8种对比方法与所提方法进行对比实验,结果验证了所提方法的有效性和优越性.
基金项目
科技部科技创新2030—重大项目(2020AAA0104802)
国家自然科学基金(91948303)
国家自然科学基金青年科学基金(61802426)
NETL
NSTL
维普
万方数据