【报告内容】

汇报人：贾利阳

汇报单位：太原理工大学

主题：An Adaptive Length-Variation Based Evolutionary Multitasking Algorithm for Feature Selection of High-Dimensional Classification

1、Introduction

2、Method

3、Experiment

4、Conclusion

【报告总结】

1.待解决的问题描述

1）现有方法用固定长度编码方案，这意味着算法需要在固定且庞大的原始搜索空间内探索最优特征子集，这对现有搜索方法尤其具有巨大挑战，尤其是随着特征维度增加。此外，这种固定长度编码方案还可能导致较高的计算成本

2）大部分的灵活编码方案基于个体自身信息调整长度，忽略了全局有效信息，这可能会限制其性能

2.相关创新方案

1）基于EMT的新型竞争群体优化器（CSO）框架被提出用于FS。首先，基于相关性和自适应阈值的多任务构建策略，设计用来动态构建两个分别源自有前景特征池和全局特征池的子任务。随后，CSO被用于促进子任务之间的高效知识传递，从而实现高效的FS。

2）在整个进化过程中提出了一种自适应长度可变机制，该机制整合了两种方案：（1）基于高斯分布的可变长度个体初始化方案，用于生成高质量的初始粒子长度，从而提升探索效率;（2）一种自适应长度变化方案，在进化过程中动态优化粒子长度，加速收敛。

3.实验总结

本文提出了一种具有自适应长度变化的EMT算法，称为EMT-ALV，旨在实现高维数据集中的高效FS。首先，开发了一种可变长度的个体初始化方案，使EMT-ALV能够高效探索最优特征子集；此外，采用基于多任务演化的知识转移策略防止局部最优；还设计了一种自适应长度变化方案，从而加速收敛并提升分类性能。

4.未来工作

尽管EMT-ALV已经展现出显著优势，但仍存在一些局限性，需要进一步完善。首先，可以探索用于降维的具体突变算子设计。此外，整合与给定数据集相关的领域特定知识，有助于更有效地搜索最优特征子集。

报告时间：2026年02月27日19:30

腾讯会议：311-5999-8176

点我下载本讨论课相关文献或PPT吧~(提取码：iipr)