利用Lévy-flight鲸鱼优化算法改进混沌映射用于k-NN分类：多数据集对比

《Scientific Reports》：Improvement of chaotic maps for k-NN classification using Lévy-flight whale optimization: multiple dataset comparison

　　

摘要

元启发式特征选择常用于改进基于距离的表格数据集分类性能，但将混沌动态添加到已优化的优化器中的实际效果仍不明确。本文通过一个受控的多数据集基准测试，评估了结合Lévy飞行优化（Lévy-flight）机制和k近邻（k-NN）分类器的二进制Whale优化算法（WOA）特征选择器的性能。测试中使用了四组固定的混沌映射组合，分别是Logistic+Cubic、Sine+Sinusoidal、Singer+Circle和Iterative+Tent，并将它们应用于相同的特征子空间，与WOA+Lévy+k-NN基线算法进行对比。实验使用了八个公开的表格数据集，涵盖诊断、投票、信号处理、组合和化学分类等问题。评估方法包括重复的分层交叉验证、仅使用训练数据集的最小-最大值缩放、固定的k值（k=3）分类器，以及Friedman、Wilcoxon符号秩检验和Holm-Bonferroni多重检验等非参数统计方法。结果显示，混沌映射组合并不总是能提升基线算法的性能；相反，WOA+Lévy+k-NN基线在准确率和宏观F1分数上表现最佳。Friedman检验表明不同方法在宏观F1分数上存在统计学上的差异，但经过Holm校正后，基线算法的排名仍然更优，且没有任何混沌映射组合能显著超越它。数据集级别的分析显示，混沌变换在某些情况下（如Tic-tac-toe数据集）能带来提升，但在Breast-cancer-wisconsin、Ionosphere、Sonar、WDBC和Wine数据集上，混沌变换往往会降低性能或使性能保持不变。因此，本文的贡献主要在于提供了一个可重现的边界条件分析结果，而非宣称某种优化器具有普遍优势。尽管该基准测试包含了原始的k-NN对照组、标准的WOA测试以及受EvoMapX启发的种群演化分析，但其结论仅限于所评估的特征选择后集成策略和这四种代表性的固定混沌映射组合，而不适用于所有可能的混沌优化设计。