PSO进行进行特征选择其主要思想是：将子集的选择看作是一个搜索寻优问题（wrapper方法），生成不同的组合，对组合进行评价，再与其他的组合进行比较。这样就将子集的选择看作是一个是一个优化问题。
简单PSO MATLAB代码及概述请见：https://www.omegaxyz.com/2018/01/17/matlab_pso/
下面是PSO进行特征选择的代码（注意：整体代码是单目标只优化错误率，注意训练使用的是林志仁SVM，数据集是Parkinson，可以到UCI上下载，训练的结果是错误率）
数据集分割为训练集和测试集：
MATLAB
代码语言：txt复制function divide_datasets
load Parkinson.mat;
dataMat=Parkinson_f;
len=size(dataMat,1);
%归一化
maxV = max(dataMat);
minV = min(dataMat);
range = maxV-minV;
newdataMat = (dataMat-repmat(minV,[len,1]))./(repmat(range,[len,1]));
Indices = crossvalind('Kfold', length(Parkinson_label), 10);
site = find(Indices==1|Indices==2|Indices==3);
train_F = newdataMat(site,:);
train_L = Parkinson_label(site);
site2 = find(Indices~=1&Indices~=2&Indices~=3);
test_F = newdataMat(site2,:);
test_L =Parkinson_label(site2);
save train_F train_F;
save train_L train_L;
save test_F test_F;
save test_L test_L;
end主函数PSOFS：
MATLAB
代码语言：txt复制clear;
clc;
format long;
%------给定初始化条件----------------------------------------------
c1=2; %学习因子1
c2=2; %学习因子2
w=0.7; %惯性权重
MaxDT=100; %最大迭代次数
D=22; %搜索空间维数（未知数个数）
M=30; %初始化群体个体数目
bound=1;
%eps=10^(-6); %设置精度(在已知最小值时候用)
global answer %最后所有粒子的结果（包括特征与精确度）
answer=cell(M,3);
global choice %选出的特征个数
choice=0.8;
%------初始化种群的个体(可以在这里限定位置和速度的范围)------------
x=randn(M,D); %随机初始化位置
v=randn(M,D); %随机初始化速度
x(x>bound)=bound;
x(x<-bound)=-bound;
%------先计算各个粒子的适应度，并初始化p(i)和gbest--------------------
divide_datasets();
for i=1:M
p(i)=fitness(x(i,:),i);
y(i,:)=x(i,:);
end
gbest=x(1,:); %gbest为全局最优
for i=2:M
if(fitness(x(i,:),i)<fitness(gbest,i))
gbest=x(i,:);
end
end
%------进入主要循环，按照公式依次迭代，直到满足精度要求------------
for t=1:MaxDT
for i=1:M
v(i,:)=w*v(i,:) c1*rand*(y(i,:)-x(i,:)) c2*rand*(gbest-x(i,:));
x(i,:)=x(i,:) v(i,:);
if fitness(x(i,:),D)<p(i)
p(i)=fitness(x(i,:),i);
y(i,:)=x(i,:);
end
if p(i)<fitness(gbest,i)
gbest=y(i,:);
end
end
end
%------显示计算结果
disp('*************************************************************')
Solution=gbest';
Result=fitness(gbest,i);
disp('*************************************************************')特征选择评价函数（利用林志仁的SVM进行训练）：
MATLAB
代码语言：txt复制function error = fitness(x,i)
global answer
global choice
load train_F.mat;
load train_L.mat;
load test_F.mat;
load test_L.mat;
inmodel = x>choice;%%%%%设定恰当的阈值选择特征
answer(i,1)={sum(inmodel(1,:))};
model = libsvmtrain(train_L,train_F(:,inmodel), '-s 0 -t 2 -c 1.2 -g 2.8');
[predict_label, ~, ~] = libsvmpredict(test_L,test_F(:,inmodel),model,'-q');
error=0;
for j=1:length(test_L)
if(predict_label(j,1) ~= test_L(j,1))
error = error 1;
end
end
error = error/length(test_L);
answer(i,2)={error};
answer(i,3)={inmodel};
end结果（选出的特征数和错误率）：
