特征选择是高维数据属性数量约简的一种流行方法,是分类中重要的预处理工作,近年来随着计算机技术和数据存储技术飞速发展,需要处理的数据也随之增加。理想状况下,提供的信息都是有效的,但实际上,数据中通常包含不相关、冗余、有噪声的信息。这些特征在数据集中可能会误导学习算法或导致数据过度匹配,特征选择可以帮助数据挖掘和机器学习算法更快、更高效的工作。元启发式优化算法是解决优化问题的通用型启发式算法,在时间和成本有限的情况下,元启发式算法能够从庞大的解空间中找到较为优质的解。最近,因为受大自然启发的元启发式算法在解决特征选择问题上的良好表现,许多作者都关注到了这类算法。自然启发式算法能够使用良好的勘探和开发策略来寻找具有竞争力的解决方案。代表性的应用于特征选择问题的自然启发式算法有:灰狼优化算法、萤火虫优化算法、蝙蝠优化算法、粒子群优化算法、鲸鱼优化算法等。果蝇优化算法是潘文超博士提出的新的自然启发式算法,算法的灵感来源于果蝇的觅食。果蝇通过嗅觉判断周围的食物浓度,从而寻找食物。相比于其他类似的物种,果蝇在觅食方面有着明显的优势,特别是在嗅觉、视觉特性方面。嗅觉觅食阶段果蝇在种群周围搜索和定位食物来源,然后对每个可能的食物源所对应的气味浓度进行评估。在视觉觅食阶段,首先确定最大的气味浓度值,随后引导种群向最佳食物源飞去。本文采用果蝇优化算法作为搜索策略,设计了一种基于KNN分类器的包裹式的特征选择方法。为了缓解原始果蝇优化算法在处理特征选择问题时产生的过早收敛和容易陷入局部最优的问题,结合了进化种群动力学的概念提出了四种不同的果蝇优化算法变体,同时,提出了结合进化种群动力学的变异算子与交叉算子。为了验证算法的有效性,在20个UCI数据集上对算法的性能进行了测试。综合各种比较结果,结合竞赛选择算子的果蝇优化算法BIFFOA_EPD_Tour相对于原始二元果蝇特征选择有显著影响,可增强原算法的寻优能力。同时相较于其他元启发式优化算法,BIFFOA_EPD_Tour算法搜索效率更高,能够找到更为优质的解决方案。通过对BIFFOA_EPD_Tour的分析,研究发现算法在初始化阶段以及后期搜索阶段仍具有局限性,改进以上两个方面,可能会对算法的搜索能力以及维度缩减能力有所改善,因此文中又对BIFFOA_EPD_Tour算法进行了改进,提出了结合互信息的果蝇优化算法(简称:MIFFOA)。使用基于互信息的初始化策略,删除一部分表现不好的特征,在保证分类准确率的同时降低维度,减少算法在后续搜索过程的计算量,提高算法效率。同时,提出基于互信息的局部精英搜索策略,加强算法在精英个体周围的搜索能力。第一阶段通过增加更多的信息特征,以提高分类器的分类准确率。第二个阶段是在保持高分类准确率的同时减少所选特征的数量。实验结果表明,相比于BIFFOA_EPD_Tour,MIFFOA在维度缩减持平的情况下,能够找到具有更高的分类准确率的解决方案。