该论文通过将自适应曲线灰狼优化算法引入神经网络反向传播，提出了一种独特的解决医学图像处理中的挑战的方法。应用该方法能够增加神经网络的鲁棒性和泛化能力，并在公共可访问的 Cleveland 心脏病数据集上实现了 86.8% 的准确率，表明其在临床环境中进行高效的心脏病预测的潜力。

Jan, 2024

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

本文通过灰狼优化算法来训练深度自动编码器，提高在分类问题中表现的效果和性能。与其他元启发式算法相比，结果表明使用 GWO 方法能够明显提高模型表现和性能。

Jan, 2022

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

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

该论文提出了半途遁地优化（HEO）算法，一种新颖的量子启发式元启发式算法，旨在解决具有复杂优化问题的崎岖地形和高维度的问题，具有高效的收敛速度。研究对 HEO 的性能进行了全面比较评估，包括与已有的优化算法（包括粒子群优化、遗传算法、人工鱼群算法、灰狼优化器和量子行为粒子群优化）的对比。主要分析涵盖了 30 维度的 14 个基准函数，证明了 HEO 在导航复杂的优化地形中的有效性和适应性，并为其性能提供了有价值的见解。在旅行推销员问题（TSP）中的简单测试也表明了其在实时应用中的可行性。

May, 2024

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

该研究提出了一种二进制版本的马群优化算法 (BHOA)，并基于 BHOA 和最小冗余最大相关过滤器方法提出了一种新颖的混合特征选择框架。实验结果表明，X 形状 BHOA 方法在准确性和选取最少特征方面优于其他方法。

Aug, 2023

本研究提出了一种新的多粒度优化算法，即颗粒球优化算法（GBO），通过引入颗粒球计算。GBO 采用很多粒度球来覆盖解决方案空间，并使用许多小而精细的粒度球来描述重要部分，以及少量大而粗粒度的粒度球来描述不相关部分，这种细粒度多粒度数据描述能力使其具有更强的全局搜索能力和更快的收敛速度，在比较 20 个基准函数的实验中，其性能更好，更快，更能逼近最优解，没有超参数，设计更简单，成为大多数现有智能优化算法的全面替代品。

Mar, 2023

本研究对 500 多个元启发式算法进行了详尽的调查，并重点比较了 11 个新的和 4 个已有的元启发式算法对 CEC2017 基准函数集的竞争性表现，结果显示 EBCM 性能优良，不输于现有的元启发式算法。

Dec, 2022