基于二进制人工蜂鸟算法（BAHA）的特征选择优化及其在生物医学大数据中的应用

本文推荐一种创新的二进制人工蜂鸟算法（BAHA），用于解决高维数据特征选择（NP完全问题）的挑战。该算法摒弃传统转换函数，直接在二进制空间优化，显著提升分类精度并减少特征数量（NSF）。与AIEOU、WOA-CM等先进算法相比，BAHA在生物医学大数据处理中展现出更优性能，代码已开源。

　　

亮点
• 简化优化流程：通过完全二进制空间操作消除转换函数，避免信息失真
• 性能提升：实验表明BAHA能同时提高分类准确率并减少选定特征数（NSF）

人工蜂鸟算法（AHA）概述
AHA模拟自然界蜂鸟独特的飞行技能（轴向/对角线/全向飞行）和觅食策略（领地/引导/迁徙觅食）。其核心创新在于利用"访问表"模拟蜂鸟记忆，区别于传统元启发式算法（如PSO、GA），具有更强的探索-开发平衡能力。

研究方法
3.1节首次系统化应用AHA于特征选择；3.2节提出全新二进制版本BAHA。实验显示BAHA在UCI标准数据集上：

• 平均分类准确率提升2.3%
• 特征维度降低30%
• 运行效率提高1.8倍

实验验证
与4种前沿算法（AIEOU、WOA-CM等）对比，BAHA在21个生物医学数据集上：

1. 乳腺癌基因数据：准确率98.7%（+3.1%）
2. 肺部CT影像数据：特征数从1024降至89
3. 糖尿病预测：AUC达到0.92

结论
BAHA为特征选择提供了更自然的离散优化框架，特别适用于医学影像分类（如[51]）和基因组数据分析。未来可扩展至多目标优化和深度特征选择领域。

作者贡献声明
Ali Hamdipour：算法开发/初稿撰写
Abdolali Basiri：监督/概念设计
Seyedali Mirjalili：理论验证

利益冲突声明
作者声明无任何竞争性财务或个人关系影响本研究。