.png){kind=icon}
返回
An effective method for solving feature selection problems based on multi-strategy Hippo optimization algorithm
.png){kind=icon}
OA
AI
DOI：10.1093/jcde/qwaf073.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
摘要
元启发式算法是解决实际优化问题的重要方法。准确、高效且稳定的元启发式算法已成为优化研究的主要目标。河马优化算法（HO）是一种基于河马三种生物行为（位置变化、防御和躲避捕食者）提出的新型算法，具有较好的优化效果。然而，由于河马本身的诸多限制及其生理功能未完全开发利用，在探索和开发阶段，参数设置单一且范围受限，不同条件下的位置变化策略差异较小，导致算法搜索能力有限、易早熟收敛陷入局部最优、探索精度差等缺陷，难以在优化问题中获得良好结果。针对这些缺陷，本文提出了一种多策略河马优化算法（MSHO），通过引入三种策略改进方法（自适应扰动优化、自主最优筛选和新躲避防御）实现更优性能。通过将MSHO与10种优秀算法在CEC2017和CEC2020两个测试集上进行比较，验证了其有效性。在两个测试集的Friedman测试结果中，MSHO排名第一，且相较于HO，MSHO在两个测试集上的优化效果分别提升了47.21%和45.66%。通过参数扰动分析实验和消融实验，获得了改进策略对算法优化效果的影响。此外，特征选择（FS）有助于提升工程设计和图像分析等领域的数据分析精度与效率。为验证MSHO在FS应用中的良好效果，将其与10种优秀算法在23个FS数据集上进行比较。MSHO在23个实验FS数据集的Friedman测试结果表明，其优化效果优于其他对比算法，且相较于HO提升了32.11%，证明MSHO在FS应用中优于原始HO及其他对比算法。对MSHO和HO进行探索与开发平衡及种群多样性测试，最终得出MSHO具有良好的稳定性和种群多样性结论。
期刊
IF:
6.1
论文数:
405
被引数:
3.2K
机构
引用论文
Catch fish optimization algorithm: a new human behavior algorithm for solving clustering problems
PREAI
分享收藏Polar lights optimizer: Algorithm and applications in image segmentation and feature selection极光优化器: 算法及其在图像分割和特征选择中的应用.png)
NEUROCOMPUTING
NEUROCOMPUTINGIF6.5
PREAI
分享收藏Hippopotamus optimization algorithm: a novel nature-inspired optimization algorithmSCIENTIFIC REPORTS
OAAI
SCIENTIFIC REPORTSIF3.9
OAAI分享收藏Target Recognition Method of Rehabilitation Robot Based on Image Local Features基于图像局部特征的康复机器人目标识别方法IEEE ACCESSOAAI
IEEE ACCESSIF3.6
OAAI分享收藏Feature selection and analysis on correlated gas sensor data with recursive feature elimination基于递归特征消除的气体传感器相关数据特征选择与分析
PREAI
分享收藏
查看更多内容