本文提出了一种两阶段的辅助代理进化方法，用于解决在大型数据集的封装设置中使用遗传算法进行特征选择时产生的计算问题。通过构建轻量级的定性元模型通过主动选择数据实例进行特征选择任务，并在遗传算法 CHC 的基础上应用该过程来创建定性近似变体 CHCQX。实验证明，CHCQX 对于包含超过 100K 个实例的大型数据集收敛速度更快且准确度更高。此外，我们还展示了我们的方法在粒子群优化（PSO）方法的定性逼近适应中的适用性，该方法属于进化计算（EC）范式的另一个分支，相关结果可在 GitHub 上找到完整的实现。

Apr, 2024

本研究提出了基于鹅的行为的 GOOSE 算法作为一种新颖的元启发式算法，并通过与其他算法进行比较研究，验证了该算法在各种基准测试函数和实际工程问题优化中的卓越性能。

Jul, 2023

SHO 方法的改进版 mSHO 算法通过替换原始方法和引入新的局部搜索策略，强化了 SHO 的利用能力，提高了搜索效果，证明了 mSHO 算法在优化问题中的卓越性能。

Feb, 2024

提出了一种基于遗传工程概念的新元启发算法 —— 遗传工程算法（GEA），通过重新设计传统遗传算法并引入新的搜索方法，以基于已有基因的选择来孤立、提纯、插入和表达新基因，从而产生具有所选基因的特定染色体，旨在解决遗传算法中的限制问题。与现有算法在基准实例上进行的比较评估表明，GEA 具有卓越的性能，展示了其作为组合优化问题的创新高效解决方案的潜力。

Sep, 2023

研究了数据聚类的优化方法，提出了基于黑猩猩优化算法、广义正态分布算法和对抗学习策略的 ChOAGNDA 方法，用于解决大型和复杂的数据聚类问题。优化结果表明该方法在最小化簇内距离总和、降低错误率和加速收敛速度等方面显著优于其他现有方法。

Feb, 2023

利用 Teaching-Learning-Based Optimization、Grey Wolf Optimizer 和 Genetic Algorithm 等算法的 TLBO-GWO 过滤特征选择算法可显著提升文本聚类技术 (K-means) 的有效性。

Feb, 2024

为解决大规模特征选择问题，本文提出了一种新的二元多目标坐标搜索（MOCS）算法，该算法在真实世界的大规模数据集上展现出显著的优越性，并且比 NSGA-II 算法更快速、更高效地解决特征选择问题。

Feb, 2024

特征选择是机器学习和数据挖掘中的一项复杂任务，其目标是去除无关和多余的特征，以提高分类准确性和减少内存需求。我们提出了一种多目标二进制优化算法 Compact NSGA-II，通过紧凑表示将种群视为概率分布，从而减少适应度评估次数，有效地探索搜索空间并在有限预算内表现出更高的效率。该算法是首个用于特征选择的紧凑多目标算法，并在五个数据集上的昂贵优化案例中取得了比 NSGA-II 更好的性能表现。

Feb, 2024

利用哈里斯鹰优化算法（HHO）来优化多层感知机学习的入侵检测系统（IDS），通过优化偏差和权重参数选择最优参数以减少网络入侵检测错误，实验证明 HHO-MLP 方法能有效识别恶意模式并在准确率、敏感度和特异度方面表现优异。

Feb, 2024

DOSA-MO 是一种新型的多目标优化封装算法，它通过学习原始估计、其方差以及解集大小如何预测过度估计，并调整期望值以在优化期间改进解集的组成，验证表明 DOSA-MO 基于三个转录组数据集对肾癌和乳腺癌进行生物标志物识别改进了基于遗传算法的最新研究在预测癌症亚型和 / 或患者总存活率时的性能。

Dec, 2023