关于基于对立鲸鱼优化算法的糖尿病预测前馈神经网络的参考文献更正声明

《IEEE Access》：Corrections to “FNN for Diabetic Prediction Using Oppositional Whale Optimization Algorithm”

　　

摘要：

提出对论文（基于对立鲸鱼优化算法的糖尿病预测前馈神经网络）的更正。

CCBY - IEEE 不是该材料的版权持有者。请按照 API 文档中的说明通过 https://creativecommons.org/licenses/by/4.0/ 获取全文文章及条款。

在上述文章 [1] 中，参考文献 6 已被撤回。由于该参考文献中的工作不再可靠，它已从参考文献列表中移除，并替换为参考文献 [2]。第 I-A 节（“研究综述”）和第 III-B 节（“粒子群优化”）中的相应讨论修订如下。此更正不影响文章的方法论、实验结果、分析或结论。

第 I-A 节（研究综述）

元启发式算法是流行的优化技术，在解决高度非线性、具有多个最优解且收敛耗时的复杂问题时显示出令人鼓舞的结果。一些值得注意的优化技术包括 GA（遗传算法）[5]、PSO [2]、[7]、BAT [8]、DE（差分进化）[9]、ACO [10]、CS（布谷鸟搜索）[11]、ABC（人工蜂群）[12] 以及 WOA（鲸鱼优化算法）[13]。

第 III-B 节（粒子群优化）

粒子群优化（PSO）是一种受自然启发的全局优化算法。Kennedy 和 Eberhart [2] 最初提出了粒子群优化算法。该算法的开发旨在模仿鸟群聚集和鱼群学校所表现出的智能行为。与其他基于种群的搜索算法一样，它使用候选解种群来寻找最佳结果。搜索包括个体解以及从邻近候选者获得的信息。这些搜索代理维护关于其速度和位置的信息，这些信息在每次迭代中更新。经过多次迭代后，算法收敛到最佳位置和坐标，这被认为是全局最优解。