Multi-objective binary Harris Hawks optimization algorithm for cancer classification

Sura Al-Momani

doi:10.1007/s10586-026-06240-4

Multi-objective binary Harris Hawks optimization algorithm for cancer classification

2026-07-21

0

PRE

AI

S

Sura Al-Momani

B

Bilal H. Abed-alguni *

DOI：10.1007/s10586-026-06240-4

原文链接

原文求助

摘要

En 中文

癌症是一种威胁生命的疾病，早期检测对于准确诊断和有效治疗至关重要。癌症诊断的传统机器学习方法通常依赖于高维数据集和复杂特征，导致分析缓慢且结果有时不可靠。特征选择（FS）是机器学习和分类中的一种基本数据预处理方法，旨在通过选择能提供最高分类器准确率的最少特征数来降低数据集的垂直维度。因此，FS可以表述为一个具有两个冲突目标的多目标优化问题：最小化所选特征的数量同时最大化分类准确率。最近，著名的Harris Hawks Optimization算法被转换为二进制HHO（BHHO）以解决FS问题。本文介绍了一种改进的BHHO（IBHHO）算法，用于解决癌症检测的多目标FS问题。IBHHO算法的主要贡献是在二进制多目标优化框架内通过增强多样性和搜索稳定性来改进搜索过程，从而在探索和利用之间取得平衡，相比基于群体智能和进化方法的其他特征选择方法。IBHHO包含三个关键改进。首先，IBHHO使用基于对立学习（OBL）的方法初始化其基本的二进制解种群。这一改进确保了优化过程中具有更多样化的初始种群。其次，IBHHO采用了一种新开发的MLOBL技术，该技术结合了混合对立学习（MOBL）和透镜对立学习（LOBL），以在优化过程中提高搜索效率和解决方案质量。第三，它利用非支配排序算法识别Pareto前沿并指导多目标选择过程。IBHHO在九个不同且多样的癌症分类数据集上进行了评估，并与最近用于多目标优化问题的八种算法进行了比较。比较基于多目标优化中常用的五个指标：Pareto前沿图、反转世代距离（IGD）、超体积（HV）、世代距离（GD）、Pareto前沿多样性（PFD）和分布。实验结果表明，IBHHO算法在多个数据集上实现了低IGD值，在大多数试验中优于大多数竞争算法，并在9个数据集中的6个实现了最低IGD值。这些值分别为ALL-AML的0.0011、ALL-AML-4的0.0004和SRBCT的0.0003。它还实现了高HV值，在9个数据集中的6个中表现最佳，例如卵巢癌数据集的0.9996和ALL-AML-4的0.9994。这些结果表明，与竞争算法相比，IBHHO在收敛性和多样性方面表现出色。IBHHO实现了接近真实Pareto前沿的最优Pareto前沿。此外，还进行了全面的统计分析以突出算法之间的性能差异。Friedman检验显示IBHHO在所有数据集上排名第一，而Wilcoxon符号秩检验验证了IBHHO在成对比较中具有统计上更优的性能。

Keyword:

Cancer Diagnosis

Feature Selection

Binary Harris Hawks Optimization Algorithm

Opposition-based Learning

Lens Opposition-based Learning

Cancer Classification

Mixed Lens Opposition-Based Learning

Multi-objective binary Harris Hawks optimization algorithm for cancer classification

摘要

期刊

机构

引用论文