.png){kind=icon}
返回
Planar-mirror reflection imaging learning based seagull optimization algorithm for global optimization and feature selection
.png){kind=icon}
PRE
AI
DOI：10.1016/j.knosys.2025.113420.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
海鸥优化算法（SOA）在解决复杂优化问题时表现出一定的弱点，如精度不高和易陷入局部最优解停滞。本文提出了一种改进的SOA变体，即基于平面镜反射成像学习的SOA（PRIL-SOA），以解决这些局限性。首先，我们提出了调整使用变量A和控制参数B的新型非线性策略，以实现全局与局部搜索能力的平衡。其次，设计了一种改进的位置更新方程，该方程纳入了速度分量和个人历史最优位置，从而提高解的精度。第三，引入了一种新的PRIL策略以维持多样性并防止早熟收敛。为验证PRIL-SOA的性能，我们进行了一系列基准测试，包括23个经典函数和涉及21个数据集的特征选择问题。结果表明，PRIL-SOA在一致优于基本SOA和其他元启发式算法。PRIL-SOA在基准测试问题上的平均搜索成功率为91.3%，其中23个问题中有21个达到了理论最优值。与SOA、山瞪羚优化器（MGO）、鲸鱼优化算法（WOA）、饥饿游戏搜索（HGS）、基于HHO的联合对立选择（HHO-JOS）、改进的SCA（MSCA）和探索增强型GWO（EEGWO）相比，PRIL-SOA的平均成功率分别优于86.95%、78.26%、82.61%、65.22%、56.52%、60.87%和4.35%。
Keyword:
Seagull optimization algorithm
Gaussian function
Function optimization
Feature selection
期刊
K
IF:
7.6
论文数:
1.3W
被引数:
4.5W
机构
引用论文
.png){kind=icon}
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
PREAI
分享收藏
Multi-Verse Optimizer: a nature-inspired algorithm for global optimization多宇宙优化器: 一种自然启发的全局优化算法
PREAI
分享收藏Correlation-Guided Updating Strategy for Feature Selection in Classification With Surrogate-Assisted Particle Swarm Optimization代理辅助粒子群优化分类中特征选择的相关性引导更新策略
PREAI
分享收藏分享收藏
查看更多内容