Feature selection is a well-known prepossessing procedure, and it is considered a challenging problem in many domains, such as data mining, text mining, medicine, biology, public health, image processing, data clustering, and others. This paper proposes a novel feature selection method, called AOAGA, using an improved metaheuristic optimization method that combines the conventional Arithmetic Optimization Algorithm (AOA) with the Genetic Algorithm (GA) operators. The AOA is a recently proposed optimizer; it has been employed to solve several benchmark and engineering problems and has shown a promising performance. The main aim behind the modification of the AOA is to enhance its search strategies. The conventional version suffers from weaknesses, the local search strategy, and the trade-off between the search strategies. Therefore, the operators of the GA can overcome the shortcomings of the conventional AOA. The proposed AOAGA was evaluated with several well-known benchmark datasets, using several standard evaluation criteria, namely accuracy, number of selected features, and fitness function. Finally, the results were compared with the state-of-the-art techniques to prove the performance of the proposed AOAGA method. Moreover, to further assess the performance of the proposed AOAGA method, two real-world problems containing gene datasets were used. The findings of this paper illustrated that the proposed AOAGA method finds new best solutions for several test cases, and it got promising results compared to other comparative methods published in the literature.

中文翻译：

---

使用用于特征选择的遗传算法算子提升算术优化算法：Cox 比例风险模型的案例研究

特征选择是众所周知的前置过程，它被认为是许多领域中的一个具有挑战性的问题，例如数据挖掘、文本挖掘、医学、生物学、公共卫生、图像处理、数据聚类等。本文提出了一种新的特征选择方法，称为 AOAGA，它使用一种改进的元启发式优化方法，将传统的算术优化算法 (AOA) 与遗传算法 (GA) 算子相结合。AOA 是最近提出的优化器；它已被用于解决几个基准和工程问题，并显示出良好的性能。修改 AOA 的主要目的是增强其搜索策略。传统版本存在弱点、本地搜索策略以及搜索策略之间的权衡。所以，GA的算子可以克服传统AOA的缺点。提出的 AOAGA 使用几个著名的基准数据集进行了评估，使用了几个标准的评估标准，即准确性、所选特征的数量和适应度函数。最后，将结果与最先进的技术进行比较，以证明所提出的 AOAGA 方法的性能。此外，为了进一步评估所提出的 AOAGA 方法的性能，使用了两个包含基因数据集的实际问题。本文的研究结果表明，所提出的 AOAGA 方法为多个测试用例找到了新的最佳解决方案，并且与文献中发表的其他比较方法相比，它获得了有希望的结果。提出的 AOAGA 使用几个著名的基准数据集进行了评估，使用了几个标准的评估标准，即准确性、所选特征的数量和适应度函数。最后，将结果与最先进的技术进行比较，以证明所提出的 AOAGA 方法的性能。此外，为了进一步评估所提出的 AOAGA 方法的性能，使用了两个包含基因数据集的实际问题。本文的研究结果表明，所提出的 AOAGA 方法为多个测试用例找到了新的最佳解决方案，并且与文献中发表的其他比较方法相比，它获得了有希望的结果。提出的 AOAGA 使用几个著名的基准数据集进行了评估，使用了几个标准的评估标准，即准确性、所选特征的数量和适应度函数。最后，将结果与最先进的技术进行比较，以证明所提出的 AOAGA 方法的性能。此外，为了进一步评估所提出的 AOAGA 方法的性能，使用了两个包含基因数据集的实际问题。本文的研究结果表明，所提出的 AOAGA 方法为多个测试用例找到了新的最佳解决方案，并且与文献中发表的其他比较方法相比，它获得了有希望的结果。将结果与最先进的技术进行比较，以证明所提出的 AOAGA 方法的性能。此外，为了进一步评估所提出的 AOAGA 方法的性能，使用了两个包含基因数据集的实际问题。本文的研究结果表明，所提出的 AOAGA 方法为多个测试用例找到了新的最佳解决方案，并且与文献中发表的其他比较方法相比，它获得了有希望的结果。将结果与最先进的技术进行比较，以证明所提出的 AOAGA 方法的性能。此外，为了进一步评估所提出的 AOAGA 方法的性能，使用了两个包含基因数据集的实际问题。本文的研究结果表明，所提出的 AOAGA 方法为多个测试用例找到了新的最佳解决方案，并且与文献中发表的其他比较方法相比，它获得了有希望的结果。