2025年ESWA SCI1区TOP，改进成吉思汗鲨鱼算法MGKSO+肝癌疾病预测，深度解析+性能实测

1.摘要

本文针对肝癌（HCC）早期诊断难题，提出了一种基于改进成吉思汗鲨鱼优化算法（MGKSO）的计算机辅助诊断系统。由于HCC在早期症状不明显且涉及高维复杂数据，传统机器学习方法易受噪声和冗余特征干扰。为提升诊断准确性与效率，MGKSO融合了准对立学习（QOBL）与正交学习（OL）策略，有效增强了特征选择过程中的全局搜索与局部优化能力。

MGKSO-HCC分类模型

2.成吉思汗鲨鱼优化算法GKSO原理

【智能算法】成吉思汗鲨鱼优化算法（GKSO）原理及实现

3.MGKSO

MGKSO中引入了准对立学习（QOBL）机制，用来提升初始化阶段种群的多样性和全局搜索能力。在初始解生成过程中，每个候选解在给定的搜索边界内随机产生。在MGKSO中，QOBL通过计算解空间边界的平均值，生成位于搜索区域对侧的准对立解，提升搜索范围与解的多样性。为避免早期陷入局部最优，本研究将QOBL策略延后至初始化阶段末尾引入，从而更有效地推动算法向全局最优收敛。
$x_j^{\mathrm{OBL}}=LB_j+UB_j-x_j$
$x^{QOBL}_j = \begin{cases} \frac{LB_j + UB_j}{2} + \text{rand()} \cdot \left( x^{OBL}_j - \frac{LB_j + UB_j}{2} \right), & \text{if } x_j < \frac{LB_j + UB_j}{2} \\ x^{OBL}_j + \text{rand()} \cdot \left( \frac{LB_j + UB_j}{2} - x^{OBL}_j \right), & \text{otherwise} \end{cases}$

在此之后，MGKSO开始使用布朗运动来模拟随机运动:
$X_i^j(t+1) = X_{best} + \exp\left( \left( \frac{t}{it} \right)^4 \right) \times (RB - 0.5) \times (X_{best} - QOX_i), \quad \frac{1}{3}T < t < \frac{2}{3}T$

狩猎阶段：每个解 $X_i$ 会通过朝向当前已知的最优解移动来进行更新：
$X_i^{new}=X_{best}+\exp\left(\frac{iter}{Max_iter}\right)^4\cdot(R_i-0.5)\cdot(X_{best}-X_i)$
最优解吸引：通过向最优解移动：
$X_i^{new}=X_i+s_i\cdot \begin{pmatrix} rand\cdot X_{best}-rand\cdot X_i \end{pmatrix}$
其中， $s_i$ 是基于解的适应度的比例因子：
$s_{i}=1.5\cdot\left(\mathrm{Fitness}(X_{i})\right)^{rand}$

觅食阶段：觅食阶段引入抛物线运动:
$X_i^{new}=X_{best}+rand\cdot(X_{best}-X_i)+TF\cdotp^2\cdot(X_{best}-X_i)$
自我保护机制：该机制通过引入复杂的扰动来保证多样性：
$X_i^{\text{new}} = \begin{cases} X_i(t) + f_1 \cdot \left( u_1 \cdot X_{\text{best}}(t) - u_2 \cdot X_p(t) \right) \\ \quad + f_2 \cdot \rho \cdot \left( u_3 \cdot X_2(t) - X_1(t) \right) \\ \quad + u_2 \cdot \left( X_{r1}(t) - X_{r2}(t) \right)/2, & \text{if } u_1 < 0.5, \\ X_{\text{best}}(t) + f_1 \cdot \left( u_1 \cdot X_{\text{best}}(t) - u_2 \cdot X_p(t) \right) \\ \quad + f_2 \cdot \rho \cdot u_3 \left( X_2(t) - X_1(t) \right) \\ \quad + u_2 \cdot \left( X_{r1}(t) - X_{r2}(t) \right)/2, & \text{otherwise}. \end{cases}$

正交学习（OL）是一种广泛应用的技术，用来在通过在搜索过程中的探索和开发阶段之间实现平衡，从而增强对最优解的搜索能力。OL策略采用了正交实验设计（OED）方法，以构造出能有效代表群体的解，从而引导群体朝着全局最优解前进（Gao, Liu, & Huang, 2013）。通过在少量实验中确定因子水平的最佳组合，OED能够提供新的解，引导搜索过程更加高效地进行。OL策略分为两个主要阶段：

正交表（Orthogonal Array, OA）：第一阶段涉及生成一个预定义的表格，称为正交表（OA），该表格由一系列特定的数字组成，通常表示为 $L_{M}(L^{Q})$ 。

因子分析（FA）：第二阶段使用成分分析，通过利用正交表（OA）中所有 $M$ 种可能组合的实验结果来实现，用于确定这种影响：
$W_{q,l}=\sum_{m=1}^Mf(C_m)\cdot E_{m,q,l}$

$f(C_m)$ 表示正交表 (OA) 中第 $m$ 个组合的适应度。变量 $E_{m,q,l}$ 在第 $m$ 个组合中，若第 $q$ 个因子使用的是第 $l$ 个水平，则设置为 1; 否则为 0。可以迅速确定每个水平对各因子的影响：
$X_n^m=X_{n_{best}}^m\oplus X_n^m$

$\oplus$ 表示正交学习过程。

MGKSO伪代码

4.结果展示

5.参考文献

[1] Emam M M, Mostafa R R, Houssein E H. Computer-aided diagnosis system for predicting liver cancer disease using modified Genghis Khan Shark Optimizer algorithm[J]. Expert Systems with Applications, 2025, 285: 128017.