基于异构分簇花粉算法的星系光谱特征选择

摘要

针对花粉算法收敛缓慢、全局搜索能力弱等问题，结合星系光谱数据高维性及冗余特征对优化算法效率的挑战，提出改进策略，在异花授粉和自花授粉阶段分别引入异构分簇策略和排斥竞争机制，设计异构分簇花粉算法（HCFPA），以提升算法收敛速度、搜索精度及对高维数据的适应性。在CEC 2022测试函数集上的实验表明，HCFPA在大部分测试函数中表现优异。针对LAMOST DR8星系光谱数据的特征选择需求，提出基于分类精度和特征数量的指数型适应度函数，利用HCFPA高效去除冗余特征。实验结果表明，改进后的算法能够显著降低数据维度并提升分类准确率，为复杂光谱数据分析提供高效解决方案。HCFPA通过异构分簇和排斥竞争机制，快速识别关键特征，提升特征选择效率，同时降低数据维度，减少计算复杂度，为星系分类、物理参数提取及演化研究提供了更高效的解决方案。

关键词

花粉算法 / 异构分簇 / 特征选择 / 星系光谱