差分进化算法解决特征选择

差分进化算法解决特征选择问题，差分进化算法解决特征选择问题，Differential evolution algorithm to solve the problem of feature selection,Differential evolution algorithm to solve the problem of feature selection,

function [ErrSubset] = DEFS（data_trdata_tsDNFPSIZELdclassifGEN）
%%
%    Differential Evolution based Feature Selection
%    Inputs
%    ------
%          data_tr: training dataset （with NP1 patterns x NF+1 features with last column being the training class label）
%          data_ts: testing dataset （with NP1 patterns x NF+1 features with last column being the testing class label）
%          NP:   number of patterns （NP1 and NP2 used for example）
%          NF:   number of features
%          DNF:  desired number of features to be selected
%          PSIZE:population size
%          Ld:   either load initial population （Ld=1） or simply initialize a new population （Ld=0）
%          classif:  takes text value as: ‘LDA‘ or ‘KNN‘ or ‘NB‘ or ‘RegTree‘ 
%          GEN:     number of generations or iterations
%
%    OutPuts
%    -------
%          Err: Achieved error rate across the different itreations
%          Subset: selected feature subset （feature indices）
%
%    Example:
%    -------
%          load IRIS.txt
%          [ErrSubset] = DEFS（iris（1:2:end1:end）iris（2:2:end:）3500‘KNN‘100）
% CONTROL PARAMETERS %
D = DNF; % dimension of problem
NP = PSIZE; % size of population
CR = 0.5; % crossover constant
L = 1; % low boundary constraint
H = size（data_tr2）-1; % high boundary constraint
NF = H;
NE = 5;
% Ld
if nargin < 5 || isempty（Ld）
    Ld = 0;
end
if nargin < 6 || isempty（classif）
    classif = 0;
end
if nargin < 7 || isempty（GEN）
    GEN = 400; % number of generations=iterations
end
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
% This section can be used to replace the factor F in the paper
w_start = 0.95;                          %Initial inertia weight‘s value
w_end = 0.35;                            %Final inertia weight
w_varyfor = 1;
w_varyfor = floor（w_varyfor*GEN）;       %Weight change step. Defines total number of iterations for which weight is changed.
w_now = w_start;
inertdec = （.95-.35）/w_varyfor;           %Inertia weight‘s change per iteration
w_start = 0.35;                          %Initial inertia weight‘s value
w_end = 0.95;
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%

% *************************** %
% ** ALGORITHM VARIABLES ** %
% *************************** %
X = zeros（D1）; % trial vector
Pop = zeros（DNP）; % population
Fit = zeros（1NP）; % fitness of the population
r = zeros（31）; % randomly selected indices
% *********************** %
% ** CREATE POPULATION ** %
% *********************** %
% initialize random number generator
rand（‘state‘sum（100*clock））;
if Ld
    load TabK Pop
    %Pop = Tab‘;
else
    for j=1:NP
        FF = randperm（H）;
        Pop（:j） = FF（1:D）‘; % within b.constraints
    end
end
for j = 1:NP % initialize each individual
    val =round（Pop（:j））‘;
    switch classif
        case ‘LDA‘
            %LDA classifier
            Ac1 = classify（data_ts（:val）data_tr（:val）data_tr（: