.png){kind=icon}
返回
Multi-strategy improved grey wolf optimizer algorithm and its application in engineering optimization problems
.png){kind=icon}
PRE
AI
DOI：10.1007/s10586-026-06009-9.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
有效的磁性目标识别受到特征高维性和样本数据有限性的挑战。本研究旨在开发一种鲁棒优化器以解决这一矛盾。提出了多策略改进灰狼优化器（MSIGWO），该算法整合了自适应维度学习策略以进行智能特征评估、多群体融合进化机制以增强全局搜索，以及自适应Lévy飞行策略以平衡探索与开发。该算法通过三层实验框架进行了验证。(1) 在CEC 2020/2022基准测试中，MSIGWO在10D至100D问题中平均排名第一，具有统计学上的显著优势（Friedman检验p < 0.05）。(2) 在300样本模拟数据集上，其平均分类准确率达到96.47%，特征维度降低78.4%，并在不同噪声条件下保持稳定性。(3) 在44样本真实数据集上，通过十折交叉验证将识别准确率从64.41%提升至73.28%，特征数量从116个减少至25个，且优于11种对比算法（如PSO、GWO）。MSIGWO算法表现出卓越的收敛精度、特征选择能力和稳定性，为磁性目标识别和高维小样本问题提供了有效的创新解决方案。
Keyword:
Multi-strategy grey wolf optimization
High-dimensional small-sample feature selection
Magnetic target field recognition
Hybrid feature selection framework
Multi-level experimental validation
期刊
C
IF:
0
论文数:
691
被引数:
1
机构
引用论文
Moth-flame optimization algorithm: A novel nature-inspired heuristic paradigm蛾焰优化算法: 一种新的自然启发启发式范式
.png){kind=icon}
PREAI
分享收藏Memory, evolutionary operator, and local search based improved Grey Wolf Optimizer with linear population size reduction technique基于内存，进化算子和局部搜索的改进的灰狼优化器，具有线性种群大小减小技术
PREAI
分享收藏An Enhanced Bio-inspired GWO–DE Technique for Efficient Feature Selection in the EEG-RSVP Paradigm一种增强的生物启发式GWO–DE技术，用于EEG-RSVP范式中的高效特征选择
PREAI
分享收藏A Comprehensive Study of Grey Wolf Optimizer Variants for Optimizing Feature Selection in High-Dimensional Data高维数据特征选择优化中灰狼优化器变体应用的全面研究
OAAI
OAAI分享收藏Phototropic growth algorithm: A novel metaheuristic inspired from phototropic growth of plants向光性生长算法：一种受植物向光性生长启发的全新元启发式算法
PREAI
分享收藏分享收藏NTSSA: A Novel Multi-Strategy Enhanced Sparrow Search Algorithm with Northern Goshawk Optimization and Adaptive <i>t</i>-Distribution for Global OptimizationNTSSA：一种基于北方雀鹰优化和自适应t-分布的新型多策略增强型麻雀搜索算法，用于全局优化[J]
PREAI
分享收藏分享收藏
查看更多内容