介绍了一种基于改进混洗蛙跳算法的特征选择方法。特征选择是从初始高维特征集合中选出低维特征集合, 以便根据一定的评估准则最优化缩小特征空间的过程，通常作为机器学习的预处理步骤。它本质上是一个NP-Hard的搜索问题。搜索空间中的每一个状态都指定可能特征的一个子集。原则上讲，只有穷举搜索才能找出特征的最佳子集，但是当特征数目和数据量急剧增加时，这种方法是不现实的。因此，通常采用压缩搜索空间的启发式搜索策略。这些策略通常是贪心算法，即在搜索特征空间时，总是做看上去是最佳的选择。它们的策略是做局部最优选择。
群体智能优化算法主要模拟了昆虫、兽群、鸟群和鱼群的群集行为，这些群体按照一种合作的方式寻找食物，群体中的每个成员通过学习它自身的经验和其他成员的经验来不断地改变搜索的方向。群体智能优化算法的突出特点就是利用了种群的群体智慧进行协同搜索，从而在解空间内找到最优解。
混洗蛙跳算法（Shuffled Frog Leaping Algorithm，SFLA）是一种新型的群体智能优化算法，它模拟了青蛙种群的觅食和迁移过程。整个过程可以描述成如下方式：多只青蛙共同组成了一个大种群，其中又分成了若干个初始子种群，每个子种群包含数只青蛙。每只青蛙的对环境的适应能力都不同。这里用与食物的距离来表示青蛙的适应能力。为了获取食物，每只青蛙都会靠近子种群中距离食物最近的那只青蛙，也就是每只青蛙都会向距离食物最近的青蛙跳跃，从而缩短自己与食物的距离，提高自己的适应能力。当整个青蛙种群完成一次跳跃后，不同的青蛙之间会进行信息交换与共享，目的是提高整个青蛙种群的适应能力。在子种群中，为了避免青蛙积聚在同一位置，每次交换信息之后，要重新形成新的子种群。每只青蛙都携带着各自的信息加入新的子种群。子种群中适应能力最高的青蛙是子种群内部的青蛙的跳跃方向，每次重新生成子种群保证了子种群之间的信息交互。通过交替进行子种群内部每只青蛙向最优青蛙的跳跃（局部搜索）和所有青蛙子种群之间的重新混洗（全局搜索），可以保证整个青蛙种群是向着最优的方向前进。 |