7、元启发式方法在分类中的性能分析及R134a冷凝特性研究

元启发式方法在分类中的性能分析及R134a冷凝特性研究

1. 元启发式方法在行为障碍诊断中的应用

在解决具有多个特征的优化问题时，往往存在一定难度。为了克服这一问题，需要选择最优的特征集以获得有效的解决方案。许多研究人员已经有效地运用不同的元启发式技术来解决特征选择（FS）问题。本文重点研究了SMA、BOA、EPO、WOA、ALO、GWO、CS、FF、ACO和PSO这十种算法。

1.1 数据集

为了评估这十种元启发式技术的性能，研究中使用了四个不同的数据集：
| 数据集名称 | 特征数量（不含类别标签） | 实例数量 | 数据集类型 | 类别标签解释 |
| — | — | — | — | — |
| 焦虑数据集（D1） | 41 | 1474 | 收集 | 1 - 存在；0 - 不存在 |
| 破坏性行为障碍评级量表（D2） | 45 | 879 | 收集 | 1 - 存在；0 - 不存在 |
| 科技行业心理健康调查（D3） | 22 | 893 | 基准 | 1 - 存在；0 - 不存在 |
| 显性焦虑量表响应（D4） | 50 | 5411 | 基准 | 1 - 存在；0 - 不存在 |

其中，两个基准数据集来自Kaggle，另外两个数据集通过问卷收集。问卷基于SACRED焦虑量表（儿童版）和破坏性行为障碍评级量表（DBDRS）制定，学生填写SACRED，教师填写DBDRS，数据通过谷歌表单收集并存储在Microsoft Excel中。所有四个数据集都有二进制类别标签，用于分类个体是否患有疾病。

1.2 结果与分析