多目标混合哈里斯鹰优化算法(MO-hHHO)在冠心病预测中的创新应用与性能提升

本文创新性地提出多目标混合哈里斯鹰优化算法(MO-hHHO)，通过特征选择最小化和分类器超参数优化双重策略，显著提升冠心病(CAD)预测准确率。研究采用随机森林(RF)、K近邻(KNN)、逻辑回归(LR)和支持向量机(SVM)四种机器学习分类器，在Kaggle心脏疾病数据集上验证了算法有效性，特别在RF、LR和SVM分类器中取得91.3%-93.7%的优异准确率。该混合算法通过引入速度因子(V)和新型逃逸能量方程(E)，有效平衡探索与开发阶段，为高维复杂优化任务提供新解决方案。

　　

多目标混合哈里斯鹰优化算法在冠心病预测中的应用研究

背景与意义

心血管疾病(CVD)每年导致约1790万死亡病例，占全球总死亡人数的30%。其中冠状动脉疾病(CAD)作为CVD中死亡率最高的类型，其早期准确诊断对临床治疗至关重要。传统诊断方法存在局限性，而机器学习(ML)与人工智能(AI)技术为CAD预测提供了新思路。然而，高维数据中的冗余特征和分类器超参数选择问题严重制约模型性能。本研究针对这些挑战，开发了创新的多目标混合哈里斯鹰优化算法(MO-hHHO)。

算法创新与改进

标准哈里斯鹰优化(HHO)算法存在早熟收敛、探索-开发失衡等问题。MO-hHHO通过三项关键改进突破局限：

1. 引入粒子群优化(PSO)的速度因子(V)，增强位置更新机制

2. 设计新型逃逸能量方程(E)：E = E_max - (E_max-E_min)(t/T)

3. 开发探索因子(ef)：ef = 0.5(1+cos(πt/T))

这些改进使算法在Kaggle提供的13个临床特征数据集上展现出优越性能。数据预处理阶段采用SVM-SMOTE技术解决样本不平衡问题，将正负样本比例从120:150调整为平衡分布。

实验设计与结果

研究采用四阶段验证方案：

1. 固定超参数下的特征选择

2. 全特征下的超参数调优

3. 多目标联合优化

4. 分类器性能评估

关键发现：

• 特征选择阶段：H-HHO优化后的分类器显著优于标准HHO，其中H-HHO-LR获得最高准确率93.7%±2.3

• 超参数调优阶段：H-HHO-SVM表现最佳(94.26%±1.46)，Wilcoxon检验p<0.05验证显著性

• 多目标优化阶段：H-HHO-SVM实现97.9%±3.3的召回率和92.9%±1.7的精确度

性能对比分析

各分类器在MO-hHHO优化下的表现：

1. 支持向量机(SVM)：

   • 准确率提升9.7个百分点(84.4%→94.1%)

   • 但训练时间达15784.5秒，计算成本最高

2. 逻辑回归(LR)：

   • 保持92.8%±1.6的高准确率

   • 训练时间仅35.2秒，性价比最优

3. 随机森林(RF)：

   • 准确率91.2%±2.5

   • 特征重要性分析提供临床解释性

4. K近邻(KNN)：

   • 改进幅度最小(81.9%→84.1%)

   • 但6.8秒的训练速度最快

ROC曲线分析显示，优化后模型的AUC值普遍超过0.9，证实算法有效提升分类性能。

临床应用价值

MO-hHHO算法通过双重优化策略：

1. 平均减少40%的特征维度

2. 关键临床指标识别：

   • 年龄、胆固醇水平、血压等

3. 超参数自动优化：

   • SVM的核函数参数

   • RF的树深度和数量

   • LR的正则化系数

这种自动化优化流程极大降低了临床医生的技术门槛，为CAD早期筛查提供可靠工具。

局限性与未来方向

当前研究存在两方面局限：

1. 计算效率：SVM优化耗时较长

2. 数据规模：仅270个临床样本

未来工作将聚焦：

• 引入超启发式框架

• 整合灰狼优化(GWO)、蝙蝠算法(BA)等

• 扩展至多模态医疗数据

• 开发分布式计算方案

结语

MO-hHHO算法通过创新的生物启发式策略，在CAD预测领域实现了特征选择与超参数调优的协同优化。实验证明其在保持模型简洁性的同时显著提升分类性能，为临床决策支持系统提供了新的技术路径。该研究不仅推进了智能医疗诊断技术的发展，也为解决其他高维生物医学数据的优化问题提供了方法论参考。