Page 79 - 《软件学报》2020年第12期

张鑫 等:自然进化策略的特征选择算法研究 3745

现最优的种群转移.例如,Sonar 数据集中的红色种群在 11st 迭代的时候达到阈值,而且此时该种群历史性能表
现最差,说明种群搜索极有可能陷入局部最优解.选择重启后,种群在 12nd 次迭代中性能大幅提高.当种群达到
全局最优解的时候,种群性能就会趋于稳定.算法通过引入竞争重启机制来实现种群间的信息交互,防止种群陷
入局部最优,并提高种群全局寻找最优解的能力,加速算法收敛速率.
图 6 表示 MCC-NES 算法在 Sonar 以及 Ionosphere 数据集上采用 1-NN 分类器时,3 个分布式种群的平均性
能表现.在开始阶段种群平均性能波动性较大,这是因为算法在开始时具有较强的探索性,在搜索空间中的搜索
范围比较大,所以搜索点的差异比较明显.随着迭代次数增加,搜索范围逐渐向最优解附近靠近,因此种群间个
体表现的差异就会减小,种群就会减小搜索范围.所以,在图 6 中就会表现为种群的平均搜索性能趋于稳定.这也
说明了算法可以根据种群的搜索性能来自适应调整搜索范围.

Fig.6 Average performance of each population in the evolution of population competition
图 6 分布式种群在迭代过程中的平均性能表现

3.5 种群内合作协同进化
图 7 中表示 MCC-NES 算法在 Ionosphere 数据集上采用 CART 分类器时,一个种群中的各个亚群之间的进
化搜索过程.由于种群使用随机划分,所以算法开始的时候每个亚群的准确率表现差异较大;之后通过迭代,算
法通过保留历史最优序列,使得所有的亚群准确率大致相似.图 7 中,在 2nd 迭代之后,所有的亚群准确率在 92%
左右.通过亚种群之间的合作协同进化,在 5th 时到达最优解解附近.所有亚群准确率开始稳定波动,随着分布参
数的逐渐收敛,波动也逐渐趋于稳定.

Fig.7 Performance of each subpopulation within the population
图 7 种群内的每个亚种群的性能