定量构效关系(Quantitative Structure-Activity Relationship,简称QSAR)是指用结构参数(包括实验测定的物理化学参数和理论计算的参数)描述化合物结构,然后用机器学习的方法定量地描述有机物的结构和活性之间的相互关系。该方法已广泛运用于在药物设计以及生命科学领域。由于一些结构参数与有机物的活性不相关或者是冗余的,造成利用这些参数构建的定量构效关系预测并不准确。因此,有必要用特征选择方法对这些参数(特征)进行筛选滤掉冗余或不相关的参数(特征),提高QSAR建模的准确性。人工蜂群算法(Artificial Bee Colony Algorithm,简称ABC)有很强的全局搜索能力,但用于特征选择时仍存在不足。本研究提出了改进的ABC算法用于解决QSAR建模中的特征选择问题。主要研究内容如下:一、将标准ABC算法从连续空间映射到离散空间进行特征选择,并与其它用于QSAR特征选择的智能计算方法进行比较。实验结果表明:在QSAR中,基于标准ABC算法的特征选择性能在Artemisinin数据集上优于其它算法;在BZR和Selwood数据集上则比其它算法差。这说明ABC算法可用于解决QSAR建模过程中的特征选择问题,但存在改进的空间。二、针对标准ABC算法的本质仍是连续空间的寻优,算法1引进了交叉算子和突变算子,实现了在离散空间中的特征选择。在此基础上,改进了雇佣蜂和观察蜂阶段的粒子更新方式,对种群中的每个粒子与随机选择的粒子做交叉操作与突变操作后产生新粒子。算法2则在算法1的基础上加入反馈机制,使侦察蜂阶段生成的每个粒子向该种群中的最优粒子学习。实验结果表明:在所有数据集中,算法1在、均方根误差这2个指标上优于算法2等5种算法。其值也显著优于其它算法,说明算法1可以获得很好的预测准确性。算法2在Artemisinin与Selwood数据集上特征数量优于算法1,但在、均方根误差指标上不能优于全部其它算法,说明反馈机制对降低特征数有一定作用,但降低了预测准确性。三、针对标准ABC、算法1和算法2在特征选择过程中未同时考虑值和特征数的问题,提出了改进的多目标ABC的特征选择算法。其改进策略为:通过非支配排序选择帕累托前端的最优粒子集,在雇佣蜂阶段与观察蜂阶段从种群中抽取第个粒子与随机抽取最优粒子集中的粒子进行交叉突变,生成2*N个新粒子。实验结果表明:MOABC-PLS-4算法在值保持相对稳定的情况下,能够获取较少的特征数量,并且在一定程度上可以减少均方根误差。