基于量子启发的PSO（粒子群优化）和EA（进化算法）及其二进制变体的比较研究在心脏病分类中的应用

《Scientific Reports》：A comparative study of quantum-inspired PSO and EA with their binary variants for heart disease classification

　　

摘要

特征选择和超参数优化在心脏病预测中得到了广泛应用，但比较研究的结果往往受到预处理方法、搜索空间设计以及评估资源差异的影响。本研究在相同的评估协议下，将基于量子理论的粒子群优化（PSO）算法及其二进制变体（QI-PSO、QI-EA、QI-BPSO和QI-BEA）应用于UCI克利夫兰心脏病数据集，进行了联合特征选择和离散超参数调整的对比实验。特征选择与分类器超参数的优化在统一的搜索空间内同时进行，采用了相同的预处理方案、内部验证机制和评估资源。评估模型包括决策树（DT）、逻辑回归（LR）、支持向量机（SVM）和K近邻（K-NN）分类器，并采用了固定的训练-测试划分方式。实验结果以95%的置信区间进行了报告。此外，还针对每种分类器，在保留所有13个输入变量的情况下，使用最优特征选择模型（QI模型）的最终超参数配置进行了无特征选择的基线评估。研究还分析了精确度-召回率曲线、阈值敏感性曲线、外部验证准确率、运行时间、选定的特征数量、收敛行为以及成本-性能分布等指标。外部验证结果的统计比较采用了Kruskal-Wallis检验，并通过Holm校正的Mann-Whitney U检验进行了后续分析。实验结果表明，不同QI变体之间的性能存在分类器依赖性差异：对于DT和K-NN，QI-PSO获得了最高的特征选择准确率；而对于SVM，则是QI-BPSO表现最佳。在K-NN模型中，本研究定义的QI-BEA（基于QI-EA更新策略的改进二进制实现）在特征选择准确率、F1分数和MCC方面优于QI-EA。对于DT，QI-BPSO的ROC-AUC最高；而在LR模型中，四种QI方法的评估指标均无显著差异。与无特征选择的基线相比，基于特征选择的QI模型在K-NN模型中表现出明显优势；在DT模型中，无特征选择的基线与最优特征选择模型相当，而QI-BPSO的ROC-AUC最高；在LR和SVM模型中，无特征选择的基线表现优于特征选择模型。精确度-召回率和阈值敏感性分析进一步揭示了不同分类器之间的差异和分离模式。从外部验证结果来看，QI-BPSO的运行时间最短，而QI-BEA在DT、K-NN和LR模型中均获得了最高的中位CV准确率。这些结果表明，QI变体的相对性能取决于所使用的分类器类型，以及评估重点（是外部验证性能、操作阈值行为、内部验证水平还是计算成本）。