EHEVO-L: Enhanced human evolutionary algorithm for robust feature selection and superior comprehensive optimization

Mahmoud Abdel-Salam

doi:10.1016/j.asoc.2026.116070

EHEVO-L: Enhanced human evolutionary algorithm for robust feature selection and superior comprehensive optimization

2026-08-01

0

PRE

AI

M

Mahmoud Abdel-Salam

F

Farhad Soleimanian Gharehchopogh

DOI：10.1016/j.asoc.2026.116070

原文链接

原文求助

摘要

En 中文

元启发式优化算法（MAs）因其在无梯度特性及避免局部最优方面的能力，已作为解决各领域复杂优化问题的强大工具而兴起。然而，许多现有算法，包括新提出的“人类进化算法”（HEVO），存在早熟收敛、探索-开发失衡及多维非凸问题求解质量欠佳等局限。这些局限促使开发改进算法以提升收敛速度、解质量和鲁棒性。为应对这些挑战，本研究提出EHEVO-L，即HEVO的增强版，其整合了三大关键改进策略：精英对立学习（EOBL）、局部逃逸算子（LEO）和目标识别策略。这些改进协同作用以提升种群多样性、防止局部最优陷落及实现更好的探索-开发平衡。EHEVO-L的动机在于克服传统MAs在高效解决复杂高维问题时的固有缺陷。所提EHEVO-L算法经两方面全面评估：基于CEC'17和CEC'20基准测试套件的全球优化，以及针对十五个基准数据集的特征选择（FS）应用。在全局优化中，EHEVO-L表现卓越，Friedman排名分别为3.57（CEC'17，50维）和1.88（CEC'20，20维），优于多种当前最优算法。应用于基于K-近邻（KNN）分类的FS问题时，EHEVO-L在所有数据集上取得67.6 %至96.5 %的分类精度，同时始终仅选择各数据集中一小部分可用特征。Friedman排名和Wilcoxon检验等统计分析验证了EHEVO-L的优化优越性。此外，消融研究证实，三大改进策略的组合较单策略实施表现最佳。结果表明，EHEVO-L为全局优化和特征选择提供鲁棒解，较传统元启发式算法具有更优的收敛速度、解质量和优化稳定性。

Keyword:

Human evolutionary algorithm

Feature selection

Elite opposite-based learning

Non-parametric test

Local escape operator

Classification accuracy

EHEVO-L: Enhanced human evolutionary algorithm for robust feature selection and superior comprehensive optimization

摘要

期刊

机构

引用论文