高斯的裸骨机制和虫洞策略增强了火焰优化,用于全球优化和医学诊断

科学领域:

• 计算智能是一种计算智能.
• 群体情报算法 群体情报算法
• 机器学习用于医学诊断

背景情况:

• 火焰优化 (MFO) 是一种以其简单性和效率而闻名的群体智能算法.
• 由于勘探和开采阶段不平衡,MFO的一个主要局限性是它倾向于局部优化.

研究的目的:

• 引入一种新的增强MFO算法 (BWEMFO),以克服标准MFO的局限性.
• 改进算法性能,特别是在逃避局部最佳值和提高趋同速度方面.
• 在医疗应用的内核限制学习机器中应用优化内核参数的增强算法.

主要方法:

• 将高斯裸骨机制,虫洞策略和消除策略纳入MFO.
• 与传统和先进的元启发算法以及MFO变体进行比较实验.
• 使用BWEMFO优化内核限制学习机器 (KELM) 的内核参数,创建BWEMFO-KELM方法.
• 对乳腺癌,结肠直肠癌和乳房扫描数据集的实验验证.

主要成果:

• 与其他算法相比,BWEMFO在融合速度和逃避局部最佳的能力方面取得了显著的改进.
• 使用基准函数证实了BWEMFO的可扩展性.
• 与五种替代机器学习方法相比,BWEMFO-KELM模型在医疗数据集上表现出更高的诊断准确性和可靠性.

结论:

• 拟议的BWEMFO算法通过改善勘探开发平衡,有效地提高了MFO的业绩.
• BWEMFO-KELM提供了一个非常准确和可靠的医疗诊断和预测方法.
• 增强的MFO变种显示了复杂的优化问题和医疗数据分析的巨大潜力.