의료 분야의 특성 선택을 위한 시뮬레이션 어닐링을 이용한 개선된 해리스 호크 최적화 알고리즘

해리스 호크 최적화(HHO) 알고리즘은 자연에서 해리스 호크의 협력 행동과 추적 스타일인 서프라이즈 펀스를 기반으로 한 새로운 메타휴리스틱 알고리즘입니다. HHO는 다른 최적화 방법들에 비해 유망한 결과를 보여주었습니다. 그러나 HHO는 국소 최적화 및 집단 다양성의 단점이 있습니다. 이러한 한계를 극복하고 특성 선택 문제를 해결하기 위해 혼돈 해리스 호크 최적화(CHHO)라는 새로운 메타휴리스틱 최적화기가 제안됩니다. 표준 HHO 알고리즘에 두 가지 주요 개선 사항이 제안됩니다. 첫 번째 개선 사항은 HHO의 초기화 단계에서 혼돈 맵을 적용하여 탐색 공간에서 집단 다양성을 높이는 것입니다. 두 번째 개선 사항은 현재의 최적 해결책에 시뮬레이티드 어닐링(SA) 알고리즘을 적용하여 HHO의 활용을 개선하는 것입니다. 제안된 알고리즘의 성능을 검증하기 위해 CHHO는 UCI 머신러닝 저장소의 14개 의료 기준 데이터세트에 적용되었습니다. 제안된 CHHO는 원래 HHO 및 최신의 유명한 메타휴리스틱 알고리즘인 메뚜기 최적화 알고리즘(GOA), 입자 군집 최적화(PSO), 유전 알고리즘(GA), 나비 최적화 알고리즘(BOA), 개미 사자 최적화기(ALO)와 비교되었습니다. 사용된 평가 지표에는 선택된 특성 수, 분류 정확도, 적합도 값, 윌콕슨 통계 테스트(P-값), 수렴 곡선이 포함됩니다. 달성된 결과에 기반하여 CHHO는 표준 HHO 알고리즘 및 대부분의 의료 데이터세트에서 다른 최적화 알고리즘에 대한 우수성을 확인합니다.