基于Q学习算法结合下的BSO特征选择应用实例

文 培安, 边 晓璐, 李 丹
四川大学锦城学院计算机与软件学院

摘要

第三次信息化浪潮的掀起宣告大数据时代的来临，面对海量数据，通常利用特征选择降低干扰度，建立精确度更高的模型用以处理数据或用于机器学习。本文提到一种将强化学习算法用于蜂群优化元神经网络算法（BSO）后得到的新特征选择算法（QBSO-FS）。并将其应用到不同形状建筑物的加热负荷度检测上，QBSO-FS算法在保证检测准确率达98%的情况下减少了5个检测特征。同时在该数据集和另外的炎症诊断数据集及客户信誉评估评估数据集上也将QBSO-FS算法与贝叶斯算法和决策树算法进行比较，检测QBSO-FS算法性能，同样取得了比较满意的结果。

关键词

QBSO-FS；强化学习Q-learning；特征选择

参考

[1]Blum, A.L., Langley, P.: Selection of relevant features and exam- ples in machine learning. Artif. Intell. 97(1–2), 245–271 (1997)

[2]Sadeg, S., Hamdad, L., Benatchba, K., Habbas, Z.: BSO-FS: bee swarm optimization for feature selection in classification. In: Ro- jas, I., Joya, G., Catala, A. (eds.) IWANN 2015. LNCS, vol. 9094, pp. 387–399. Springer, Cham (2015).

[3]Wauters, T., Verbeeck, K., De Causmaecker, P., Berghe, G.V.: Boosting metaheuristic search using reinforcement learning. In: Talbi, E.G. (ed.) Hybrid Metaheuristics. SCI, pp. 433–452. Springer, Heidelberg (2013)

[4] 张淼 , 张琦 , 张梓轩 . 基于 Q 学习算法的高速铁路列车节能 优化研究 [J]. 铁道运输与经济 ,2019,41(12):111-117.

[5] 荆荣丽 , 葛书荣 , 王鹏 , 宁玉文 . 基于强化学习的网络时延自 动化控制数学建模研究 [J]. 自动化与仪器仪表 ,2020(03):57- 59.

[6] 陆颖俐 , 陈泉静 , 黄邦华 , 张海波 . 基于蒙特卡洛模型的出 租车上车点设置 [J]. 台州学院学报 ,2020,42(03):17-22.