混合鱼算法与进化策略和过用于高维优化:应用到微阵列癌症数据的应用

科学领域:

• 计算智能是一种计算智能.
• 优化算法 优化算法
• 机器学习 机器学习

背景情况:

• 标准鱼优化算法 (WOA) 存在低于最佳的结果和低效率,特别是在高维空间.
• 在WOA中,最初的种群生成往往导致分布不均,多样性低,阻碍表现.
• 支持向量机 (SVM) 对于高维数据是有效的,但从参数优化中显著受益.

研究的目的:

• 提出一种新的优化算法,即通过将WOA与一个离散的重组进化策略融合,改进了重组进化策略增强的鱼优化算法 (RESHWOA).
• 为了增强鱼优化算法的初始化多样性.
• 在高维微阵列癌症数据集上应用拟议的RESHWOA来优化支向量机 (SVM) 参数.

主要方法:

• 标准鱼优化算法 (WOA) 与离散的重组进化策略的融合,以创建RESHWOA.
• 对13个基准测试函数 (单模式和多模式) 的比较模拟实验与原始WOA相比.
• 应用 RESHWOA 和 WOA 来优化六个微阵列癌症数据集的 SVM 参数,利用 Bhattacharya 距离和信号噪声比来减少数据.

主要成果:

• RESHWOA在基准函数上表现出优于标准WOA的性能,显示精度,最小平均值和标准偏差的改善.
• 拟议的RESHWOA有效地解决了原来的WOA的缺陷,特别是关于初始化多样性和融合.
• 在微阵列数据集上使用RESHWOA优化SVM参数,与WOA相比,可以获得更好的性能.

结论:

• 开发的RESHWOA在解决高维空间的优化挑战方面明显优于标准WOA.
• 融合策略有效地增强了初始化多样性,导致更强大,更准确的优化结果.
• RESHWOA提供了一个强大的工具来优化机器学习模型,如SVM,特别是复杂的生物数据集.