基于的混乱优化器进行了改进的优化,用于解决工程和医疗图像分割的复杂问题
Adil Sayyouri1, Ahmed Bencherqui2, Hanaa Mansouri2
1Laboratory of Innovative Technologies (LIT), National School of Applied Sciences, Abdelmalek Essaadi University, Tangier, Morocco.
Scientific reports
|July 20, 2025
概括
本研究介绍了混沌优化器 (CPO),一个增强的元启发算法. 对于复杂的优化问题,CPO提高了融合速度和解决方案质量,优于现有方法.
科学领域:
- 计算智能是一种计算智能.
- 优化算法的优化算法
- 超听证学是一种超听证学.
背景情况:
- 在解决复杂的优化问题时,通过平衡探索和开发,元启发学至关重要.
- 优化器 (PO) 增强了解决方案的多样性,但可以面对次优趋同.
- 解决PO的局限性对于推进优化技术至关重要.
研究的目的:
- 增强优化器 (PO) 算法,以提高复杂优化的性能.
- 推出一个新的混乱优化器 (CPO),集成混乱地图以实现动态多样化.
- 为了评估CPO的有效性与基准函数和现实世界的工程问题.
主要方法:
- 将混乱地图集成到Parrot Optimizer (PO) 中以创建混乱的优化器 (CPO).
- 使用23个基准函数和IEEE CEC 2019/2020基准的严格评估.
- 应用到复杂的工程问题和医疗图像分割使用卡普尔.
主要成果:
- 与最初的PO和其他六个最近的元启发表现相比,CPO表现优越.
- 该算法在各种优化挑战中实现了更快的融合和更高的解决方案质量.
- CPO成功解决了复杂的工程问题,并实现了精确的医疗图像细分.
结论:
- 混沌优化器 (CPO) 在元启发优化中提供了显著的进步.
- CPO的动态多元化战略有效地避免了本地最小值,并提高了全球最佳性.
- 对于工程应用和临界生物医学图像分析,CPO显示出强大的潜力.
