خوارزمية تحسين حوت بيلوجا المدعومة بحل المرشح الديناميكي للتصنيف الطبي

في العديد من المجالات، يمكن الآن حل القضايا المعقدة بمساعدة الذكاء الاصطناعي (AI) وتعلم الآلة (ML). واحدة من الخوارزميات الميتاهيرستية (MH) الحديثة المستخدمة لمعالجة العديد من القضايا في مجالات مختلفة هي طريقة تحسين حوت بيلوجا (BWO). ومع ذلك، يعاني BWO من نقص في التنوع، مما قد يؤدي إلى الوقوع في الأمثل المحلية والتقارب المبكر. تقدم هذه الدراسة مرحلتين لتعزيز خوارزمية BWO الأساسية. تساعد المرحلة الأولى من التعلم القائم على المعارضة لـ BWO (OBL)، المعروفة أيضًا باسم OBWO، في تسريع عملية البحث وتعزيز منهجية التعلم لاختيار جيل أفضل من حلول المرشحين لـ BWO الأساسي. الخطوة الثانية، المعروفة بـ OBWOD، تجمع بين حل المرشح الديناميكي (DCS) و OBWO استنادًا إلى مُصنف الجار الأقرب (kNN) لتعزيز التنوع وتحسين اتساق الحل المختار من خلال منح المرشحين المحتملين فرصة لحل المشكلة المعطاة بقيمة ملائمة عالية. تم إجراء دراسة مقارنة مع خوارزميات تحسين الحالية لمشكلات تحسين القيود ذات الهدف الواحد لتقييم أداء خوارزمية OBWOD على مسائل من مجموعة الاختبارات المرجعية لمؤتمر IEEE 2022 حول الحساب التطوري (CEC’22) مع مجموعة من أحجام الأبعاد. أكدت نتائج اختبار الدلالة الإحصائية أن الخوارزمية المقترحة تنافسية مع خوارزميات التحسين. بالإضافة إلى ذلك، تفوقت خوارزمية OBWOD على أداء سبع خوارزميات أخرى بدقة تصنيف إجمالية تبلغ 85.17% لتصنيف 10 مجموعات بيانات طبية بأحجام أبعاد مختلفة وفقًا لمصفوفة تقييم الأداء.