Una nueva optimización por enjambre de partículas binaria de co-evolución con estrategia de múltiples pesos de inercia para la selección de características

La selección de características es una tarea de elegir la mejor combinación de características potenciales que mejor describen el concepto objetivo durante un proceso de clasificación. Sin embargo, seleccionar tales características relevantes se convierte en un asunto difícil cuando están involucradas un gran número de características. Por lo tanto, este estudio tiene como objetivo resolver el problema de selección de características utilizando optimización por enjambre de partículas binarias (BPSO). No obstante, BPSO tiene limitaciones de convergencia prematura y el ajuste del peso de inercia. Por ello, en este trabajo se propone una nueva optimización por enjambre de partículas binarias de co-evolución con una estrategia de múltiples pesos de inercia (CBPSO-MIWS). El método propuesto se valida con diez conjuntos de datos de referencia del repositorio de aprendizaje automático de UCI. Para examinar la efectividad del método propuesto, se utilizan cuatro métodos recientes y populares de selección de características, a saber, BPSO, algoritmo genético (GA), algoritmo de búsqueda gravitacional binaria (BGSA) y optimizador competitivo de lobos grises binarios (CBGWO) en una comparación de rendimiento. Nuestros resultados muestran que CBPSO-MIWS puede lograr un rendimiento competitivo en la selección de características, lo cual es apropiado para aplicaciones en ingeniería, rehabilitación y áreas clínicas.