多策略河马优化算法

优化效果提升近半

通过自适应扰动与自主筛选改进河马优化算法，在基准测试和特征选择中均优于原算法及多种先进算法。

Xiaoyang, Yuan · 姚立国 · 张太华 · 陈启鹏 · Guanghui, Li

Journal of Computational Design and Engineering 2025

参数信息

优化提升

47.21 %

优化提升

45.66 %

优化提升

32.11 %

技术优势

排名第一

在 CEC2017 和 CEC2020 两个测试集上，MSHO 的 Friedman 检验结果均排名第一。

提升近半

在 CEC2017 和 CEC2020 测试集上，MSHO 的优化效果较原 HO 分别提升 47.21% 和 45.66%。

特征选择更优

在 23 个特征选择数据集上的 Friedman 检验表明，MSHO 优于其他对比算法，较原 HO 优化效果提升 32.11%。

应用场景

• 特征选择：用更优的搜索能力选出关键特征，提升模型精度并降低计算成本。
• 工程优化：为工程设计中的复杂优化问题提供更稳定高效的求解方案。
• 图像分析：通过特征选择提升图像分析任务的准确性和效率。
• 数据分析：增强数据分析中特征选择的优化效果，提高处理效率。