Abstract Identifying key quality characteristics (QCs) in production processes is essential for product quality control and improvement. This paper proposes a multiobjective wrapper-based feature selection (FS) method for key QC (KQC) identification on unbalanced production data using a novel modified nondominated-sorting-based whale optimization algorithm (MNSWOA) and the ideal point method (IPM). In the proposed approach, the FS problem is defined as maximizing the geometric mean (GM) measure and minimizing the feature (QC) subset size. To solve the defined FS problem, MNSWOA is adopted first to find a set of candidate solutions (feature subsets), and then IPM is adopted to select the final solution. In MNSWOA, a modified fast nondominated sorting approach is proposed to adapt the single objective whale optimization algorithm to the multiobjective scenario. Moreover, a uniform reference solution selection strategy and the mutation operations are embedded in MNSWOA to improve its search performance. Experimental results on four unbalanced production datasets show that the proposed FS method performs effectively and efficiently for KQC identification. Further comparisons show that MNSWOA obtains better search performance than benchmark multiobjective optimization methods, including a modified NSGA-II, SPEA2, MOEA/D, NSPSO and CMDPSO.

中文翻译：

---

使用基于非支配排序的鲸鱼优化算法在生产过程中识别关键质量特征的多目标特征选择

摘要 识别生产过程中的关键质量特性 (QC) 对于产品质量控制和改进至关重要。本文提出了一种基于多目标包装器的特征选择 (FS) 方法，使用一种新颖的基于非支配排序的鲸鱼优化算法 (MNSWOA) 和理想点方法 (IPM)，对不平衡生产数据进行关键 QC (KQC) 识别。在所提出的方法中，FS 问题被定义为最大化几何平均 (GM) 度量并最小化特征 (QC) 子集大小。为了解决定义的 FS 问题，首先采用 MNSWOA 寻找一组候选解（特征子集），然后采用 IPM 选择最终解。在 MNSWOA 中，提出了一种改进的快速非支配排序方法，使单目标鲸鱼优化算法适应多目标场景。此外，在 MNSWOA 中嵌入了统一的参考解决方案选择策略和变异操作，以提高其搜索性能。在四个不平衡生产数据集上的实验结果表明，所提出的 FS 方法对 KQC 识别有效且高效。进一步的比较表明，MNSWOA 获得了比基准多目标优化方法更好的搜索性能，包括改进的 NSGA-II、SPEA2、MOEA/D、NSPSO 和 CMDPSO。在四个不平衡生产数据集上的实验结果表明，所提出的 FS 方法对 KQC 识别有效且高效。进一步的比较表明，MNSWOA 获得了比基准多目标优化方法更好的搜索性能，包括改进的 NSGA-II、SPEA2、MOEA/D、NSPSO 和 CMDPSO。在四个不平衡生产数据集上的实验结果表明，所提出的 FS 方法对 KQC 识别有效且高效。进一步的比较表明，MNSWOA 获得了比基准多目标优化方法更好的搜索性能，包括改进的 NSGA-II、SPEA2、MOEA/D、NSPSO 和 CMDPSO。