2024年新提出的算法|鹦鹉优化器(Parrot optimizer):算法及其在医疗问题中的应用

2024-02-28 13:36

本文主要是介绍2024年新提出的算法|鹦鹉优化器(Parrot optimizer):算法及其在医疗问题中的应用,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

本期介绍一种基于训练后鹦鹉关键行为的高效优化方法——鹦鹉优化器(Parrot Optimizer, PO)。该成果于2024年2月发表在中科院2区top SCI期刊Computers in Biology and Medicine(IF=7.7)
在这里插入图片描述

1、简介

鹦鹉优化器(PO)是一种受训练有素的Pyrrhura Molinae鹦鹉观察到的关键行为启发的高效优化方法。该研究以定性分析和综合实验为特色,展示了鹦鹉优化器在处理各种优化问题时的独特特征。性能评估包括在35个函数上对所提出的PO进行基准测试,包括来自IEEE CEC 2022测试集的经典案例和问题,并将其与八种流行算法进行比较。结果生动地突出了PO在其探索性和开发性特征方面的竞争优势。此外,参数敏感性实验探索了所提出的PO在不同配置下的适应性。开发的PO在应用于工程设计问题时展示了有效性和优越性。为了进一步将评估扩展到现实世界的应用,我们将PO应用于疾病诊断和医学图像分割问题,这些问题在医学领域具有高度相关性和重要性。
在这里插入图片描述

2、数学建模

2.1 种群初始化(随机)

X i 0 = l b + r a n d ( 0 , 1 ) ⋅ ( u b − l b ) X_{i}^{0}=l b+r a n d\left(0,1\right)\cdot\left(u b-l b\right) Xi0=lb+rand(0,1)(ublb)

2.2 觅食行为

在PO的觅食行为中,它们主要通过观察食物的位置或考虑主人的位置来估计食物的大致位置,然后向各自的位置飞行。位置运动遵循以下方程:
X i t + 1 = ( X i t − X b e s t ) ⋅ L e v y ( d i m ) + r a n d ( 0 , 1 ) ⋅ ( 1 − t M a x i n v ) u M a x i n v ⋅ X m e a n t X_{i}^{t+1}=\left(X_{i}^{t}-X_{b e s t}\right)\cdot L e v y\left(d i m\right)+r a n d\left(0,1\right)\cdot\left(1-\frac{t}{M a x_{i n v}}\right)^{\frac{u}{M a x_{i n v}}}\cdot X_{m e a n}^{t} Xit+1=(XitXbest)Levy(dim)+rand(0,1)(1Maxinvt)MaxinvuXmeant

2.3 停留行为

Pyrrhura Molinae是一种高度社会化的生物,它的停留行为主要包括突然逃到主人身体的任何部位,在那里它保持静止一段时间。这个过程如图所示。这个过程可以表示为:
X i t + 1 = X i t + X b e s t ⋅ L e v y ( d i m ) + r a n d ( 0 , 1 ) ⋅ o n e s ( 1 , d i m ) X_{i}^{t+1}=X_{i}^{t}+X_{b e s t}\cdot L e v y(d i m)+r a n d(0,1)\cdot o n e s\left(1,d i m\right) Xit+1=Xit+XbestLevy(dim)+rand(0,1)ones(1,dim)
o n e s ( 1 , d i m ) ones(1,dim) ones(1,dim)表示随机停在宿主身体某一部位的过程。
在这里插入图片描述

2.4 沟通行为

Pyrrhura Molinae鹦鹉是天生的群居动物,其特点是在群体内进行密切的交流。这种交流行为包括飞向羊群和不飞向羊群进行交流。在PO中,假设这两种行为发生的概率相等,并使用当前群体的平均位置来表示群体的中心。这个过程如图所示。这个过程可以表示为:
X i t + 1 = { 0.2 ⋅ r a n d ( 0 , 1 ) ⋅ ( 1 − t M a x i e r ) ⋅ ( X i t − X m e a n t ) , P ≤ 0.5 0.2 ⋅ r a n d ( 0 , 1 ) ⋅ e x p ( − t r a n d ( 0 , 1 ) ⋅ M a x i e r ) , P > 0.5 X_{i}^{t+1}=\left\{\begin{array}{c}{{0.2\cdot r a n d\left(0,1\right)\cdot\left(1-\frac t{M a x_{i e r}}\right)\cdot\left(X_{i}^{t}-X_{m e a n}^{t}\right),P\leq0.5}}\\ {{0.2\cdot r a n d\left(0,1\right)\cdot ex p\left(-\frac t{r a n d(0,1)\cdot M a x_{i e r}}\right),P\gt 0.5}}\end{array}\right. Xit+1= 0.2rand(0,1)(1Maxiert)(XitXmeant),P0.50.2rand(0,1)exp(rand(0,1)Maxiert),P>0.5

在这里插入图片描述

2.5 害怕陌生人的行为

一般来说,鸟类对陌生人表现出天生的恐惧,Pyrrhura Molinae鹦鹉也不例外。它们与不熟悉的个体保持距离,并与主人一起寻求安全环境的行为如图5所示,如下所述:
X i t + 1 = X i t + r a n d ( 0 , 1 ) ⋅ c o s ( 0.5 π ⋅ t M a x i e r ) ⋅ ( X b e s t − X i t ) − c o s ( r a n d ( 0 , 1 ) ⋅ π ) ⋅ ( t M a x i e r ) 2 M a x i e r ⋅ ( X i t − X b e s t ) X_{i}^{t+1}\,=\,X_{i}^{t}\,+\,r a n d\,(0,1)\cdot c o s\,\left(0.5\pi\cdot{\frac{t}{M a x_{i e r}}}\right)\,\cdot\,\left(X_{b e s t}\,-\,X_{i}^{t}\right)-\,c o s\left(r a n d\left(0,1\right)\cdot\pi\right)\cdot\left(\frac{t}{M a x_{i e r}}\right)^{\frac{2}{M a x_{i e r}}}\,\cdot\left(X_{i}^{t}-X_{b e s t}\right) Xit+1=Xit+rand(0,1)cos(0.5πMaxiert)(XbestXit)cos(rand(0,1)π)(Maxiert)Maxier2(XitXbest)

3.Matlab源代码下载

(1)2024年新提出的算法|鹦鹉优化器(PO)跑CEC2005数据集
(2)2024年新提出的算法|鹦鹉优化器(PO)跑CEC2017数据集
(2)2024年新提出的算法|鹦鹉优化器(PO)跑CEC2022数据集

Junbo Lian, Guohua Hui, Ling Ma, Ting Zhu, Xincan Wu, Ali Asghar Heidari, Yi Chen, Huiling Chen,Parrot optimizer: Algorithm and applications to medical problems,Computers in Biology and Medicine,2024, https://doi.org/10.1016/j.compbiomed.2024.108064.

这篇关于2024年新提出的算法|鹦鹉优化器(Parrot optimizer):算法及其在医疗问题中的应用的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/755650

相关文章

Vue3 的 shallowRef 和 shallowReactive:优化性能

大家对 Vue3 的 ref 和 reactive 都很熟悉,那么对 shallowRef 和 shallowReactive 是否了解呢? 在编程和数据结构中,“shallow”(浅层)通常指对数据结构的最外层进行操作,而不递归地处理其内部或嵌套的数据。这种处理方式关注的是数据结构的第一层属性或元素,而忽略更深层次的嵌套内容。 1. 浅层与深层的对比 1.1 浅层(Shallow) 定义

不懂推荐算法也能设计推荐系统

本文以商业化应用推荐为例,告诉我们不懂推荐算法的产品,也能从产品侧出发, 设计出一款不错的推荐系统。 相信很多新手产品,看到算法二字,多是懵圈的。 什么排序算法、最短路径等都是相对传统的算法(注:传统是指科班出身的产品都会接触过)。但对于推荐算法,多数产品对着网上搜到的资源,都会无从下手。特别当某些推荐算法 和 “AI”扯上关系后,更是加大了理解的难度。 但,不了解推荐算法,就无法做推荐系

中文分词jieba库的使用与实景应用(一)

知识星球:https://articles.zsxq.com/id_fxvgc803qmr2.html 目录 一.定义: 精确模式(默认模式): 全模式: 搜索引擎模式: paddle 模式(基于深度学习的分词模式): 二 自定义词典 三.文本解析   调整词出现的频率 四. 关键词提取 A. 基于TF-IDF算法的关键词提取 B. 基于TextRank算法的关键词提取

水位雨量在线监测系统概述及应用介绍

在当今社会,随着科技的飞速发展,各种智能监测系统已成为保障公共安全、促进资源管理和环境保护的重要工具。其中,水位雨量在线监测系统作为自然灾害预警、水资源管理及水利工程运行的关键技术,其重要性不言而喻。 一、水位雨量在线监测系统的基本原理 水位雨量在线监测系统主要由数据采集单元、数据传输网络、数据处理中心及用户终端四大部分构成,形成了一个完整的闭环系统。 数据采集单元:这是系统的“眼睛”,

HDFS—存储优化(纠删码)

纠删码原理 HDFS 默认情况下,一个文件有3个副本,这样提高了数据的可靠性,但也带来了2倍的冗余开销。 Hadoop3.x 引入了纠删码,采用计算的方式,可以节省约50%左右的存储空间。 此种方式节约了空间,但是会增加 cpu 的计算。 纠删码策略是给具体一个路径设置。所有往此路径下存储的文件,都会执行此策略。 默认只开启对 RS-6-3-1024k

好题——hdu2522(小数问题:求1/n的第一个循环节)

好喜欢这题,第一次做小数问题,一开始真心没思路,然后参考了网上的一些资料。 知识点***********************************无限不循环小数即无理数,不能写作两整数之比*****************************(一开始没想到,小学没学好) 此题1/n肯定是一个有限循环小数,了解这些后就能做此题了。 按照除法的机制,用一个函数表示出来就可以了,代码如下

hdu1043(八数码问题,广搜 + hash(实现状态压缩) )

利用康拓展开将一个排列映射成一个自然数,然后就变成了普通的广搜题。 #include<iostream>#include<algorithm>#include<string>#include<stack>#include<queue>#include<map>#include<stdio.h>#include<stdlib.h>#include<ctype.h>#inclu

康拓展开(hash算法中会用到)

康拓展开是一个全排列到一个自然数的双射(也就是某个全排列与某个自然数一一对应) 公式: X=a[n]*(n-1)!+a[n-1]*(n-2)!+...+a[i]*(i-1)!+...+a[1]*0! 其中,a[i]为整数,并且0<=a[i]<i,1<=i<=n。(a[i]在不同应用中的含义不同); 典型应用: 计算当前排列在所有由小到大全排列中的顺序,也就是说求当前排列是第

使用opencv优化图片(画面变清晰)

文章目录 需求影响照片清晰度的因素 实现降噪测试代码 锐化空间锐化Unsharp Masking频率域锐化对比测试 对比度增强常用算法对比测试 需求 对图像进行优化,使其看起来更清晰,同时保持尺寸不变,通常涉及到图像处理技术如锐化、降噪、对比度增强等 影响照片清晰度的因素 影响照片清晰度的因素有很多,主要可以从以下几个方面来分析 1. 拍摄设备 相机传感器:相机传

csu 1446 Problem J Modified LCS (扩展欧几里得算法的简单应用)

这是一道扩展欧几里得算法的简单应用题,这题是在湖南多校训练赛中队友ac的一道题,在比赛之后请教了队友,然后自己把它a掉 这也是自己独自做扩展欧几里得算法的题目 题意:把题意转变下就变成了:求d1*x - d2*y = f2 - f1的解,很明显用exgcd来解 下面介绍一下exgcd的一些知识点:求ax + by = c的解 一、首先求ax + by = gcd(a,b)的解 这个