2025年ESWA SCI1區TOP，改進成吉思汗鯊魚算法MGKSO+肝癌疾病預測，深度解析+性能實測

1.摘要

本文針對肝癌（HCC）早期診斷難題，提出了一種基于改進成吉思汗鯊魚優化算法（MGKSO）的計算機輔助診斷系統。由于HCC在早期癥狀不明顯且涉及高維復雜數據，傳統機器學習方法易受噪聲和冗余特征干擾。為提升診斷準確性與效率，MGKSO融合了準對立學習（QOBL）與正交學習（OL）策略，有效增強了特征選擇過程中的全局搜索與局部優化能力。

MGKSO-HCC分類模型

2.成吉思汗鯊魚優化算法GKSO原理

【智能算法】成吉思汗鯊魚優化算法（GKSO）原理及實現

3.MGKSO

MGKSO中引入了準對立學習（QOBL）機制，用來提升初始化階段種群的多樣性和全局搜索能力。在初始解生成過程中，每個候選解在給定的搜索邊界內隨機產生。在MGKSO中，QOBL通過計算解空間邊界的平均值，生成位于搜索區域對側的準對立解，提升搜索范圍與解的多樣性。為避免早期陷入局部最優，本研究將QOBL策略延后至初始化階段末尾引入，從而更有效地推動算法向全局最優收斂。
$x_j^{\mathrm{OBL}}=LB_j+UB_j-x_j$
$x^{QOBL}_j = \begin{cases} \frac{LB_j + UB_j}{2} + \text{rand()} \cdot \left( x^{OBL}_j - \frac{LB_j + UB_j}{2} \right), & \text{if } x_j < \frac{LB_j + UB_j}{2} \\ x^{OBL}_j + \text{rand()} \cdot \left( \frac{LB_j + UB_j}{2} - x^{OBL}_j \right), & \text{otherwise} \end{cases}$

在此之后，MGKSO開始使用布朗運動來模擬隨機運動:
$X_i^j(t+1) = X_{best} + \exp\left( \left( \frac{t}{it} \right)^4 \right) \times (RB - 0.5) \times (X_{best} - QOX_i), \quad \frac{1}{3}T < t < \frac{2}{3}T$

狩獵階段：每個解 $X_i$ 會通過朝向當前已知的最優解移動來進行更新：
$X_i^{new}=X_{best}+\exp\left(\frac{iter}{Max_iter}\right)^4\cdot(R_i-0.5)\cdot(X_{best}-X_i)$
最優解吸引：通過向最優解移動：
$X_i^{new}=X_i+s_i\cdot \begin{pmatrix} rand\cdot X_{best}-rand\cdot X_i \end{pmatrix}$
其中， $s_i$ 是基于解的適應度的比例因子：
$s_{i}=1.5\cdot\left(\mathrm{Fitness}(X_{i})\right)^{rand}$

覓食階段：覓食階段引入拋物線運動:
$X_i^{new}=X_{best}+rand\cdot(X_{best}-X_i)+TF\cdotp^2\cdot(X_{best}-X_i)$
自我保護機制：該機制通過引入復雜的擾動來保證多樣性：
$X_i^{\text{new}} = \begin{cases} X_i(t) + f_1 \cdot \left( u_1 \cdot X_{\text{best}}(t) - u_2 \cdot X_p(t) \right) \\ \quad + f_2 \cdot \rho \cdot \left( u_3 \cdot X_2(t) - X_1(t) \right) \\ \quad + u_2 \cdot \left( X_{r1}(t) - X_{r2}(t) \right)/2, & \text{if } u_1 < 0.5, \\ X_{\text{best}}(t) + f_1 \cdot \left( u_1 \cdot X_{\text{best}}(t) - u_2 \cdot X_p(t) \right) \\ \quad + f_2 \cdot \rho \cdot u_3 \left( X_2(t) - X_1(t) \right) \\ \quad + u_2 \cdot \left( X_{r1}(t) - X_{r2}(t) \right)/2, & \text{otherwise}. \end{cases}$

正交學習（OL）是一種廣泛應用的技術，用來在通過在搜索過程中的探索和開發階段之間實現平衡，從而增強對最優解的搜索能力。OL策略采用了正交實驗設計（OED）方法，以構造出能有效代表群體的解，從而引導群體朝著全局最優解前進（Gao, Liu, & Huang, 2013）。通過在少量實驗中確定因子水平的最佳組合，OED能夠提供新的解，引導搜索過程更加高效地進行。OL策略分為兩個主要階段：

正交表（Orthogonal Array, OA）：第一階段涉及生成一個預定義的表格，稱為正交表（OA），該表格由一系列特定的數字組成，通常表示為 $L_{M}(L^{Q})$ 。

因子分析（FA）：第二階段使用成分分析，通過利用正交表（OA）中所有 $M$ 種可能組合的實驗結果來實現，用于確定這種影響：
$W_{q,l}=\sum_{m=1}^Mf(C_m)\cdot E_{m,q,l}$

$f(C_m)$ 表示正交表 (OA) 中第 $m$ 個組合的適應度。變量 $E_{m,q,l}$ 在第 $m$ 個組合中，若第 $q$ 個因子使用的是第 $l$ 個水平，則設置為 1; 否則為 0。可以迅速確定每個水平對各因子的影響：
$X_n^m=X_{n_{best}}^m\oplus X_n^m$

$\oplus$ 表示正交學習過程。

MGKSO偽代碼

4.結果展示

5.參考文獻

[1] Emam M M, Mostafa R R, Houssein E H. Computer-aided diagnosis system for predicting liver cancer disease using modified Genghis Khan Shark Optimizer algorithm[J]. Expert Systems with Applications, 2025, 285: 128017.

6.代碼獲取

7.算法輔導·應用定制·讀者交流

本文來自互聯網用戶投稿，該文觀點僅代表作者本人，不代表本站立場。本站僅提供信息存儲空間服務，不擁有所有權，不承擔相關法律責任。
如若轉載，請注明出處：http://www.pswp.cn/pingmian/83582.shtml
繁體地址，請注明出處：http://hk.pswp.cn/pingmian/83582.shtml
英文地址，請注明出處：http://en.pswp.cn/pingmian/83582.shtml

如若內容造成侵權/違法違規/事實不符，請聯系多彩編程網進行投訴反饋email:809451989@qq.com，一經查實，立即刪除！