DOI: https://doi.org/10.1038/s41598-026-40651-y
PMID: https://pubmed.ncbi.nlm.nih.gov/41731003
تاريخ النشر: 2026-02-23
المؤلف: Wenan Liu وآخرون
الموضوع الرئيسي: أبحاث خوارزميات التحسين الميتاهيرستية
نظرة عامة
في مجال التكامل الاقتصادي العالمي، يعد التنبؤ بدقة بمخاطر إفلاس الشركات أمرًا حيويًا للحفاظ على الاستقرار الاقتصادي. غالبًا ما تفشل الطرق الإحصائية التقليدية في التعامل مع الميزات غير الخطية الموجودة في بيانات الإفلاس، مما يؤدي إلى دقة تنبؤية دون المستوى. بينما أظهرت نماذج التعلم الآلي، وخاصة آلة التعلم المتطرفة النواة (KELM)، وعدًا، فإن أدائها يعتمد بشكل كبير على الاختيار الدقيق لمعلمة العقوبة ($C$) ومعلمة النواة ($\gamma$). غالبًا ما تواجه تقنيات التحسين التقليدية عدم الكفاءة وقد تصبح محاصرة في الأمثل المحلية.
لتحسين عملية التحسين، يقدم هذا البحث خوارزمية تحسين الزبرا المعتمدة على الأرشيف المعزز (EAZOA)، التي تعالج قيود خوارزمية تحسين الزبرا الحالية (ZOA) من خلال دمج استراتيجية طفرات ليفي، وآلية أرشيف النخبة الديناميكية، وتقنية معالجة الحدود الهجينة. يتم استخدام EAZOA لتحسين معلمات KELM، مما يؤدي إلى نموذج التنبؤ بالإفلاس EAZOA-KELM. تشير التقييمات التجريبية على مجموعات بيانات CEC2020 و CEC2022 المرجعية إلى أن EAZOA تتفوق على العديد من الخوارزميات الرائدة في دقة التقارب، والاستقرار، وقابلية التوسع. بالإضافة إلى ذلك، تكشف الاختبارات على مجموعة بيانات ويزلاف المالية أن نموذج EAZOA-KELM يتفوق عبر مقاييس الأداء المختلفة، بما في ذلك الدقة، والدقة، والاسترجاع، ودرجة F1، مما يؤكد فعاليته كأداة قوية للتحذير المبكر في تقييم المخاطر المالية.
مقدمة
في سياق زيادة التكامل الاقتصادي العالمي، تواجه الشركات مخاطر إفلاس متزايدة تهدد بقائها وتطورها المستدام. تمتد عواقب الإفلاس الشركات إلى ما هو أبعد من الشركات الفردية، مما يؤثر على الاستقرار الاقتصادي الإقليمي والنظام المالي العالمي، خاصة بعد الأزمة المالية عام 2008. يعد التنبؤ الدقيق بالإفلاس أمرًا حيويًا لتمكين التعديلات الاستراتيجية في الوقت المناسب من قبل المديرين وتقديم تحذيرات مبكرة للمستثمرين والهيئات التنظيمية. غالبًا ما تفشل الطرق الإحصائية التقليدية لتوقع الإفلاس، على الرغم من بساطتها المفاهيمية، في التقاط الديناميات غير الخطية لعمليات الشركات، مما يؤدي إلى دقة تنبؤية محدودة. بالمقابل، أظهرت نماذج التعلم الآلي، وخاصة آلة التعلم المتطرفة النواة (KELM)، وعدًا كبيرًا بسبب قدرتها على التعامل مع هياكل البيانات المعقدة.
يقدم هذا البحث خوارزمية تحسين الزبرا المعتمدة على الأرشيف المعزز (EAZOA) لتحسين المعلمات الرئيسية لـ KELM لتوقع الإفلاس. تدمج EAZOA استراتيجية طفرات ليفي الموجهة من النخبة، وآلية أرشيف النخبة الديناميكية، وتقنية معالجة الحدود الهجينة لتعزيز قدرات البحث العالمية للخوارزمية وقابليتها للتكيف في البيئات الديناميكية. يظهر نموذج EAZOA-KELM المقترح دقة تنبؤية محسنة واستقرارًا عند التحقق منه ضد مجموعة بيانات ويزلاف المالية، متفوقًا على النماذج الحالية مثل PSO-KELM و GWO-KELM. تسلط النتائج الضوء على فعالية EAZOA في معالجة التحديات الفريدة لتوقع الإفلاس، مما يمهد الطريق للبحوث المستقبلية في تقييم مخاطر الشركات.
طرق
يقيم هذا القسم أداء خوارزمية تحسين الزبرا المعززة (EAZOA) مقابل سبع خوارزميات ميتاهيرستية معروفة باستخدام مجموعات بيانات CEC2020 و CEC2022 المرجعية. تشير النتائج إلى أن EAZOA تتفوق بشكل كبير على منافسيها، خاصة في مشاكل التحسين عالية الأبعاد. على سبيل المثال، في مجموعة CEC2020 بأبعاد 10، حققت EAZOA متوسط ترتيب قدره 1.20، متفوقة على خوارزميات مثل تحسين سرب الجسيمات (PSO) وتحسين الذئب الرمادي (GWO). من الجدير بالذكر أن EAZOA أظهرت قيم لياقة متفوقة على الدوال F1 و F5 و F7، مع قيم لياقة متوسطة قدرها $2.0356 \times 10^3$، و $5.7127 \times 10^3$، و $4.5231 \times 10^3$، على التوالي، مقارنةً بـ ZOA القياسية.
مع زيادة أبعاد المشكلة إلى 20، تم تأكيد فعالية EAZOA بشكل أكبر، حيث حققت متوسط ترتيب قدره 1.30 وقيم لياقة أقل بكثير من ZOA القياسية. في مجموعة CEC2022، حافظت EAZOA على موقعها الرائد بمتوسط ترتيب قدره 1.42، محققة نتائج قريبة من الأمثل النظري على عدة دوال. يُعزى الأداء القوي للخوارزمية على كل من الدوال أحادية الوضع ومتعددة الأوضاع إلى آلية أرشيف النخبة واستراتيجية معالجة الحدود الهجينة. بشكل عام، تتصدر EAZOA باستمرار في مختلف الأبعاد وأنواع الدوال، مما يظهر تحسينات شاملة في دقة التقارب، والاستقرار، وقابلية التوسع مقارنةً بـ ZOA القياسية وغيرها من خوارزميات التحسين.
نقاش
في مناقشة خوارزمية تحسين الزبرا (ZOA)، تتميز مرحلة التهيئة بتوزيع عشوائي لقيم متغيرات القرار، والتي تمثل كمصفوفة من مواقع الزبرا في فضاء البحث. تستخدم الخوارزمية استراتيجية تهيئة عشوائية لتوليد حلول مرشحة، مما يضمن نقطة انطلاق متنوعة للتحسين. يتم نمذجة سلوك البحث للزبرات لتوجيه عملية البحث، حيث يعمل أفضل فرد كطليعة، موجهًا الآخرين نحو المناطق الواعدة. يتم تنظيم تحديثات المواقع خلال هذه المرحلة بواسطة معادلات محددة تتضمن اضطرابات عشوائية وتقييمات لياقة، مما يسهل استكشاف فضاء البحث.
تشبه مرحلة الاستغلال استراتيجيات الدفاع للزبرات ضد المفترسين، حيث تحاكي الخوارزمية سيناريوهين: الهروب من المفترسين الأكبر أو تشكيل تشكيلات دفاعية ضد التهديدات الأصغر. يتم تمثيل هذه الثنائية رياضيًا في معادلات تحديث المواقع، التي تقبل مواقع جديدة فقط إذا كانت تحسن من الدالة الهدف. تعزز خوارزمية تحسين الزبرا المعتمدة على الأرشيف النخبة (EAZOA) ZOA من خلال دمج طفرات ليفي الموجهة من النخبة، وأرشيف النخبة الديناميكي، ومعالجة الحدود الهجينة. تعالج هذه الاستراتيجيات مجتمعة قيود ZOA، مثل التقارب المبكر والاستكشاف غير الكافي للحدود، مما يحسن الأداء العام للخوارزمية في مهام التحسين المعقدة. تظهر EAZOA معدلات تقارب وجودة حلول متفوقة مقارنةً بـ ZOA التقليدية وغيرها من الخوارزميات المعروفة، كما يتضح من التجارب العددية على الدوال المرجعية.
DOI: https://doi.org/10.1038/s41598-026-40651-y
PMID: https://pubmed.ncbi.nlm.nih.gov/41731003
Publication Date: 2026-02-23
Author(s): Wenan Liu et al.
Primary Topic: Metaheuristic Optimization Algorithms Research
Overview
In the realm of global economic integration, accurately predicting corporate bankruptcy risk is crucial for maintaining economic stability. Traditional statistical methods often fall short in handling the nonlinear features inherent in bankruptcy data, leading to suboptimal predictive accuracy. While machine learning models, particularly the Kernel Extreme Learning Machine (KELM), have shown promise, their performance is heavily reliant on the careful selection of the penalty parameter ($C$) and kernel parameter ($\gamma$). Conventional optimization techniques frequently encounter inefficiencies and may become trapped in local optima.
To enhance the optimization process, this paper introduces the Enhanced Archive-based Zebra Optimization Algorithm (EAZOA), which addresses the limitations of the existing Zebra Optimization Algorithm (ZOA) by integrating a Levy mutation strategy, a dynamic elite archive mechanism, and a hybrid boundary handling technique. The EAZOA is utilized to optimize the parameters of KELM, resulting in the EAZOA-KELM bankruptcy prediction model. Experimental evaluations on the CEC2020 and CEC2022 benchmark suites indicate that EAZOA surpasses several leading algorithms in convergence accuracy, stability, and scalability. Additionally, tests on the Wieslaw financial dataset reveal that the EAZOA-KELM model excels across various performance metrics, including accuracy, precision, recall, and F1-score, thereby confirming its efficacy as a robust tool for early warning in financial risk assessment.
Introduction
In the context of increasing global economic integration, enterprises face heightened bankruptcy risks that threaten their survival and sustainable development. The repercussions of corporate bankruptcies extend beyond individual firms, impacting regional economic stability and the global financial system, particularly following the 2008 financial crisis. Accurate bankruptcy prediction is crucial for enabling timely strategic adjustments by managers and providing early warnings to investors and regulatory bodies. Traditional statistical methods for predicting bankruptcy, while conceptually straightforward, often fail to capture the nonlinear dynamics of corporate operations, leading to limited predictive accuracy. In contrast, machine learning models, particularly the Kernel Extreme Learning Machine (KELM), have shown significant promise due to their ability to handle complex data structures.
This paper introduces an Enhanced Archive-Based Zebra Optimization Algorithm (EAZOA) to optimize the key parameters of KELM for bankruptcy prediction. EAZOA integrates an elite-guided Lévy mutation strategy, a dynamic elite archive mechanism, and a hybrid boundary handling technique to enhance the algorithm’s global search capabilities and adaptability in dynamic environments. The proposed EAZOA-KELM model demonstrates improved prediction accuracy and stability when validated against the Wieslaw financial dataset, outperforming existing models such as PSO-KELM and GWO-KELM. The findings highlight the effectiveness of EAZOA in addressing the unique challenges of bankruptcy prediction, paving the way for future research in corporate risk assessment.
Methods
The section evaluates the performance of the Enhanced Zebra Optimization Algorithm (EAZOA) against seven established metaheuristic algorithms using the CEC2020 and CEC2022 benchmark suites. The results indicate that EAZOA significantly outperforms its competitors, particularly in high-dimensional optimization problems. For instance, on the CEC2020 suite with a dimension of 10, EAZOA achieved an average rank of 1.20, outperforming algorithms like Particle Swarm Optimization (PSO) and Grey Wolf Optimization (GWO). Notably, EAZOA demonstrated superior fitness values on functions F1, F5, and F7, with average fitness values of $2.0356 \times 10^3$, $5.7127 \times 10^3$, and $4.5231 \times 10^3$, respectively, compared to the standard ZOA.
As the problem dimension increased to 20, EAZOA’s effectiveness was further confirmed, achieving an average rank of 1.30 and significantly lower fitness values than the standard ZOA. In the CEC2022 suite, EAZOA maintained its leading position with an average rank of 1.42, achieving near-theoretical optimal results on several functions. The algorithm’s robust performance on both unimodal and multimodal functions is attributed to its elite archive mechanism and hybrid boundary handling strategy. Overall, EAZOA consistently ranks at the top across various dimensions and function types, demonstrating comprehensive improvements in convergence precision, stability, and scalability compared to standard ZOA and other optimization algorithms.
Discussion
In the discussion of the Zebra Optimization Algorithm (ZOA), the initialization phase is characterized by the random distribution of decision variable values, represented as a matrix of zebra positions in the search space. The algorithm employs a random initialization strategy to generate candidate solutions, ensuring a diverse starting point for optimization. The foraging behavior of zebras is modeled to guide the search process, where the best individual acts as a pioneer, directing others towards promising areas. Position updates during this phase are governed by specific equations that incorporate random perturbations and fitness evaluations, facilitating exploration of the search space.
The exploitation phase draws parallels to zebras’ defense strategies against predators, where the algorithm simulates two scenarios: fleeing from larger predators or forming defensive formations against smaller threats. This duality is mathematically represented in the position update equations, which accept new positions only if they improve the objective function. The proposed Elite Archive Zebra Optimization Algorithm (EAZOA) enhances ZOA by integrating elite-guided Lévy mutation, a dynamic elite archive, and hybrid boundary handling. These strategies collectively address ZOA’s limitations, such as premature convergence and inadequate boundary exploration, thereby improving the algorithm’s overall performance in complex optimization tasks. The EAZOA demonstrates superior convergence rates and solution quality compared to traditional ZOA and other established algorithms, as evidenced by numerical experiments on benchmark functions.