《Scientific Reports》：TMPA-HC: a two-stage heterogeneous multi-population algorithm with cooperative search for high-dimensional feature selection
编辑推荐：
针对高维场景下特征子集冗余严重与计算成本激增的瓶颈，研究者提出基于Fisher-score过滤与包装式异构多群协作的两阶段框架TMPA-HC，引入精英跨群杂交、循环信息传递与自适应调控策略，显著提升分类器性能与收敛稳定性。
在高维数据的浪潮席卷机器学习的当下，特征选择如同大海捞针——面对成千上万的特征，如何精准捕捉关键信号而摒弃冗余噪音？这不仅是算法的试金石，更是现实应用中“维度灾难”的真实写照。传统进化算法虽在寻优中崭露头角，却陷入两难困境：贪婪搜索易困于局部最优，随机探索则成本高昂；更棘手的是，高维空间中特征间的纠缠让子集冗余度居高不下，直接影响后续分类器的鲁棒性。若无法平衡“精简”与“有效”，模型的泛化能力便如沙上建塔。正因如此，开发兼顾高效降维与结构优化的智能特征选择框架，成为亟待突破的关键命题。
在此背景下，本研究团队提出TMPA-HC——一种融合先验知识与群体协作的两阶段异构多群算法，旨在攻克高维特征选择中的冗余抑制与效率瓶颈。研究通过系统性实验验证，该框架不仅能显著压缩特征维度，更在多类数据集上展现出稳定的分类精度与收敛优势，为复杂数据建模提供了可扩展的解决方案。相关工作发表于《Scientific Reports》。
关键技术涵盖：①基于Fisher-score的先验过滤机制，快速筛除低判别力特征以降低搜索空间；②异构多子群划分（探索型/利用型分工）与结构化探勘-开采平衡策略；③精英跨群杂交、循环信息共享及停滞感知重启等协作机制；④成功率驱动的自适应强度调控与轻量级精英引导局部搜索。
两阶段框架设计验证了分层优化的有效性
第一阶段依托Fisher-score完成特征初筛，实证显示高维噪声被有效剥离，为后续优化奠定低噪基础；第二阶段异构种群协同演化，对比单一策略算法，子群互补显著拓展了解空间覆盖度。
协同机制保障了全局探索与局部精化的均衡
精英跨群杂交打破子群壁垒，加速优良基因扩散；周期信息迁移避免早熟收敛，停滞重组激活惰性区域。实验表明，协作组较独立运行子群平均收敛代数缩短23%，且未损失多样性。
自适应策略强化了动态环境下的鲁棒性
成功率反馈实时调整搜索强度，使算法在平稳期聚焦开发、震荡期增强探索。高维数据集测试中，自适应版本较固定参数组特征冗余度降低18%，分类F1值提升5.7%。
组件贡献度分析厘清核心机制效能
消融实验证实：移除精英引导局部搜索后，收敛稳定性下降31%；关闭循环传输模块则解质量波动加剧。各组件在抑制冗余、提速收敛上具显著协同增益。
研究结论指出，TMPA-HC通过“过滤-协作-自适应”三位一体架构，成功缓解了高维特征选择中冗余累积与算力耗损的矛盾。其异构分工与信息共享机制，为多模优化问题提供了可推广范式；轻量化设计则契合实际部署需求，尤其在生物信息学、医疗影像等高维稀疏场景具广阔前景。未来工作将探索非线性过滤算子与多目标帕累托前沿的结合，进一步释放群体智能在复杂系统中的潜力。
