基于探采分工的人工蜂群算法及其在食管癌预测中的应用

摘要

人工蜂群（ABC）算法在搜索过程中侧重探索但不擅长开采，造成收敛速度慢、求解精度低等问题。为此，本文提出一种基于探采分工的ABC算法，包含雇佣蜂探索、跟随蜂开采和侦察蜂补充3个阶段。在探索阶段，考虑到过多地利用随机解信息会偏向随机搜索，为雇佣蜂设计基于多样性精英引导的解搜索方程，并引入广度优先搜索策略加强探索。在开采阶段，考虑到过多地利用最优解信息会导致早熟收敛，为跟随蜂设计基于目标值精英引导的解搜索方程，并利用深度优先搜索策略强化开采。在侦察蜂补充阶段，考虑到侦察蜂的随机初始化方式会丢失前期搜索经验，且雇佣蜂和跟随蜂搜索方程形式单一，为侦察蜂设计兼顾基于目标值的最优解、基于多样性的最优解和前期搜索经验的邻域搜索方程。在CEC2021测试集和食管癌预测问题上检验算法性能，并与6种ABC算法进行对比。对于数值优化问题，本文算法在大部分函数上取得了最优解，Friedman检验时排名第1,Wilcoxon检验时显著优于另外5种ABC算法。同时，本文算法在收敛速度和时间效率方面也占优。对于预测模型优化问题，与基本算法相比，本文算法准确率提高了15.72%，敏感性提高了20.14%，特异性提高了15.03%,F1分数提高了16.23%。

关键词

人工蜂群算法 / 探索与开采 / 精英引导 / 搜索方程