一种用于数值和受限工程应用的混沌斑马优化算法：以MLP分类挑战为例的研究

《ARTIFICIAL INTELLIGENCE REVIEW》：A chaotic zebra optimization algorithm for numerical and constrained engineering applications: a case study on MLP classification challenges

　　

摘要

优化搜索算法在解决复杂的受限工程问题和多层感知器（MLP）分类问题中起着至关重要的作用，这些问题通常需要高效且稳健的搜索策略。本研究介绍了混沌斑马优化算法（CZOA），它是经典斑马优化算法（ZOA）的改进版本，通过引入混沌映射来提高搜索效率和收敛速度。CZOA的四个变体（CZOA1、CZOA2、CZOA3和CZOA4）在多个维度（10D、30D、50D和100D）上使用23个标准基准函数进行了评估，同时还应用了CEC 2022基准测试套件以及三个受限工程优化设计问题（三杆桁架、压力容器和多盘离合器优化）进行了测试。此外，还在四个MLP分类数据集（Balloon、Iris、乳腺癌和XOR数据集）上评估了CZOA的有效性。仿真结果表明，CZOA1的表现始终优于其他变体和经典ZOA，实现了最低的适应度值、更低的标准差和更快的收敛速度。具体来说，在F1（10D）测试中，CZOA1将计算时间从4559.9秒（ZOA）缩短到了仅0.1563秒，大大提高了搜索效率。在CEC 2022函数测试套件中，CZOA1的平均适应度为333.86，标准差为0.69，优于GWO、WOA和TLBO等先进的元启发式算法。工程优化设计结果也证实了CZOA1的优越性：在三杆桁架问题中的适应度值为263.8965，在压力容器优化中的适应度值为6849.485，均优于GWO、DE和PSO等经典方法。在MLP分类任务中，CZOA1在乳腺癌检测中的分类准确率达到99.00%，显示出其在处理高维搜索空间方面的卓越能力。对比评估表明，混沌映射显著增强了探索-利用平衡，降低了计算搜索复杂性，并提高了解决方案的准确性。这些发现使CZOA成为解决实际工程和分类挑战的一种有前景的优化技术。