Swarm optimization algorithms are widely used for feature selection before data mining and machine learning applications. The metaheuristic nature-inspired feature selection approaches are used for single-objective optimization tasks, though the major problem is their frequent premature convergence, leading to weak contribution to data mining. In this paper, we propose a novel feature selection algorithm named Reinforced Swarm Optimization (RSO) leveraging some of the existing problems in feature selection. This algorithm embeds the widely used Bee Swarm Optimization (BSO) algorithm along with Reinforcement Learning (RL) to maximize the reward of a superior search agent and punish the inferior ones. This hybrid optimization algorithm is more adaptive and robust with a good balance between exploitation and exploration of the search space. The proposed method is evaluated on 25 widely known UCI datasets containing a perfect blend of balanced and imbalanced data. The obtained results are compared with several other popular and recent feature selection algorithms with similar classifier configurations. The experimental outcome shows that our proposed model outperforms BSO in 22 out of 25 instances (88%). Moreover, experimental results also show that RSO performs the best among all the methods compared in this paper in 19 out of 25 cases (76%), establishing the superiority of our proposed method.

中文翻译：

---

RSO：一种用于特征选择的新型强化群优化算法

群优化算法广泛用于数据挖掘和机器学习应用之前的特征选择。元启发式自然启发的特征选择方法用于单目标优化任务，但主要问题是它们频繁的早熟收敛，导致对数据挖掘的贡献较弱。在本文中，我们提出了一种新的特征选择算法，称为强化群优化（RSO），利用了特征选择中的一些现有问题。该算法嵌入了广泛使用的蜂群优化 (BSO) 算法和强化学习 (RL)，以最大化优秀搜索代理的奖励并惩罚劣等搜索代理。这种混合优化算法更具适应性和鲁棒性，在搜索空间的开发和探索之间取得了良好的平衡。所提出的方法在 25 个广为人知的 UCI 数据集上进行了评估，这些数据集包含平衡和不平衡数据的完美融合。将获得的结果与具有类似分类器配置的其他几种流行的和最近的特征选择算法进行比较。实验结果表明，我们提出的模型在 25 个实例中有 22 个（88%）优于 BSO。此外，实验结果还表明，RSO 在本文比较的所有方法中在 25 个案例中的 19 个（76％）中表现最好，证明了我们提出的方法的优越性。实验结果表明，我们提出的模型在 25 个实例中有 22 个（88%）优于 BSO。此外，实验结果还表明，RSO 在本文所比较的所有方法中在 25 个案例中的 19 个（76％）中表现最好，证明了我们提出的方法的优越性。实验结果表明，我们提出的模型在 25 个实例中有 22 个（88%）优于 BSO。此外，实验结果还表明，RSO 在本文比较的所有方法中在 25 个案例中的 19 个（76％）中表现最好，证明了我们提出的方法的优越性。