多目标CHC算法：同时优化实例与特征选择

"这篇研究论文探讨了一种使用多目标CHC算法进行实例和特征选择的方法，旨在提升分类算法的性能。在数据集中，多余的特征和实例可能导致分类效果下降，因此去除它们是构建精确且易理解模型的关键。针对KNN分类器的维度灾难和计算复杂度问题，论文提出了一种新的策略——将CHC（跨代、异质重组、精英选择和灾难性变异算子）方法应用于多目标环境，以同时选择代表性的特征和实例。通过与标准算法的对比，该混合形式的多目标遗传算法（NSGAII）和CHC算法展现出了高效性，实现了更高的准确度和良好的特征/实例压缩比率。" 文章内容详细展开： 在国际计算机与管理进步会议（ICACM-2019）上，Seema Rathee、Saroj Ratnoo和Jyoti Ahuja提出了一篇名为“使用多目标CHC算法同时进行实例和特征选择”的研究论文。文章指出，数据集中的冗余特征和实例对分类算法的影响不容忽视，特别是对于KNN分类器，它容易受到高维度问题和大量实例带来的计算复杂性困扰。 为了应对这个问题，研究者引入了多目标优化的概念，并结合了进化计算中的CHC（全面杂交搜索，Crossover, Heterogeneous Crossover, Elitism, and Catastrophic Mutation）遗传算法。CHC算法以其独特的机制，如跨代保留优秀解、异质重组策略和突变操作，适应了同时处理实例和特征选择这一多目标问题的需求。通过这种混合形式，算法能有效找到一个平衡多个目标的解决方案集，即帕累托前沿，从而在保持较高分类准确度的同时降低特征和实例的数量。 论文经过多次修订，最终在2019年4月5日被接受发表，关键词包括实例选择（IS）、特征选择（FS）、多目标（MO）算法以及CHC遗传算法。作者通过实证研究，将提出的算法与其他标准算法进行对比，验证了其优越性和实用性。结果表明，这种方法在提高分类准确性的同时，能够实现有竞争力的特征和实例减少率，为解决大数据集中的分类难题提供了新的思路和工具。