DOI: https://doi.org/10.1038/s41598-025-09326-y
PMID: https://pubmed.ncbi.nlm.nih.gov/40634405
تاريخ النشر: 2025-07-09
المؤلف: Umang Kumar Agrawal وآخرون
الموضوع الرئيسي: كشف وتصنيف أورام الدماغ
نظرة عامة
تقدم ورقة البحث نهجًا هجينًا جديدًا لخوارزمية سرب السلاپ (SSA)، يُطلق عليه اسم البحث المحلي SSA (LS-SSA)، يهدف إلى معالجة قيود SSA القياسية، وخاصة ميلها للتقارب المبكر والوقوع في الحد الأدنى المحلي. يتضمن LS-SSA وكلاء بحث محليين لتعزيز قدرات الاستكشاف لـ SSA، وهو أمر حاسم لتحسين المعلمات الفائقة في الشبكات العصبية الالتفافية (CNNs) المستخدمة في التصوير الطبي، وبشكل خاص لمجموعات بيانات تصوير الرنين المغناطيسي للدماغ. تم تقييم فعالية LS-SSA مقابل مجموعة من ثمانية وعشرين دالة معيارية من IEEE-CEC-2017، مما يظهر أداءً متفوقًا يتميز بدقة أعلى (94.43%)، ومعدلات خطأ أقل (5.57%)، ومقاييس تقارب محسنة مقارنة بالطرق الحالية.
أكدت التحليلات الإحصائية على قوة وكفاءة LS-SSA، مشددة على قدرته على تحسين الحلول الأولية وإنتاج مجموعة أوسع من الحلول المرشحة المثلى. تشير النتائج إلى أن LS-SSA لا يتفوق فقط على SSA القياسية ولكن يتجاوز أيضًا العديد من تقنيات التحسين المعاصرة عبر أنواع مختلفة من الدوال، بما في ذلك التحديات أحادية ومتعددة الأبعاد. تقترح الورقة أن LS-SSA يمكن أن يُطبق بشكل أكبر في مجالات الهندسة المتنوعة مثل المركبات الذاتية القيادة، ومعالجة اللغة الطبيعية، وإدارة الرعاية الصحية، مما يوسع من فائدته خارج نطاق التصوير الطبي. ستركز الأعمال المستقبلية على استكشاف هذه التطبيقات مع معالجة التباين المتأصل المرتبط بأساليب التحسين العشوائية.
مقدمة
تقدم مقدمة ورقة البحث نظرة شاملة على التقدم في خوارزمية سرب السلاپ (SSA) ونسخها، مشددة على تطبيقاتها عبر مجالات علمية وهندسية متنوعة. ومن الجدير بالذكر أنه في عام 2024، قدم Guo وآخرون خوارزمية SSA الهجينة المعتمدة على MIS، والتي تُطلق عليها SDSSA، بهدف تشخيص صور علم الأمراض لسرطان الثدي، حيث تم التحقق من نموذجهم مقابل 30 دالة معيارية. تشمل المساهمات المهمة الأخرى نموذج CEXGB-ESSO لجاباستين للكشف عن أورام الدماغ، ونموذج Mahapatra وآخرون الهجين الكمي المتعامد SSA (QOX-SSA) لتحسين اختيار الميزات في الشبكات العصبية ذات دالة الأساس الشعاعي (RBFNN)، وRSA-SSA لـ Abualigah وآخرون لتجزئة الصور الطبية، الذي خضع لتقييم غير بارامتري.
تتفاصيل هذه القسم نماذج مختلفة تم تطويرها في السنوات الأخيرة، مثل ESSA لتدريب الشبكات العصبية ذات التغذية الأمامية (FFNN) بواسطة Al-Betar، ونموذج HDLISSA-MGDC لتصنيف أمراض العنب بواسطة Alsubai وآخرون. يتم مقارنة كل نموذج مع الطرق المعاصرة وتقييمه باستخدام الدوال المعيارية، مما يبرز الجهود المستمرة لتعزيز فعالية SSA في تطبيقات متنوعة، بما في ذلك الكشف عن أخطاء البرمجيات وتخطيط مسارات الروبوتات المتنقلة. تلخص مراجعة الأدبيات تطور المنهجيات المتعلقة بـ SSA، مشددة على أهميتها في التعلم الآلي، والتعلم العميق، وخوارزميات التحسين الهجينة، كما هو موضح في الجدول 1.
نقاش
يتناول قسم النقاش في الورقة خوارزمية سرب السلاپ (SSA)، وهي طريقة ميتاheuristic جديدة مستوحاة من السلوك الجماعي للسلاپ في المحيط. تم تقديم SSA بواسطة Mirjalili وآخرون في عام 2017، وتستخدم ديناميكية القائد-التابع ضمن سلاسل السلاپ لاستكشاف مشاكل التحسين. يقوم السلاپ القائد بتحديث موقعه بناءً على مصادر الغذاء، بينما يقوم السلاپ التابع بتعديل مواقعهم بشكل متتابع. يتم تعزيز فعالية الخوارزمية بواسطة معلمة حاسمة، $P_1$، التي توازن بين الاستكشاف والاستغلال، مما يمنع الركود في الأمثل المحلي.
لمعالجة قيود SSA الأساسية، وخاصة ميلها للوقوع في الحد الأدنى المحلي، تقترح الورقة إصدارًا محسّنًا يُطلق عليه LS-SSA، الذي يدمج تقنية البحث المحلي. يقوم هذا النهج بتحسين الحلول المرشحة بشكل تكراري ضمن حي محدد، مما يعزز معدلات التقارب وقدرات الاستكشاف. يظهر LS-SSA أداءً متفوقًا على SSA القياسية وغيرها من الخوارزميات الميتاheuristic المعاصرة، كما يتضح من التجارب الواسعة باستخدام مجموعة الدوال المعيارية IEEE-CEC-2017. تشير النتائج إلى أن LS-SSA يحقق نتائج تحسين أفضل، بما في ذلك دقة محسنة ومعدلات خطأ منخفضة في تطبيقات مثل ضبط المعلمات الفائقة للشبكات العصبية الالتفافية (CNNs) في مهام التصوير الطبي. تشير النتائج إلى أن LS-SSA هو طريقة قوية لحل مشاكل التحسين المعقدة عبر مجالات متنوعة.
DOI: https://doi.org/10.1038/s41598-025-09326-y
PMID: https://pubmed.ncbi.nlm.nih.gov/40634405
Publication Date: 2025-07-09
Author(s): Umang Kumar Agrawal et al.
Primary Topic: Brain Tumor Detection and Classification
Overview
The research paper presents a novel hybrid approach to the Salp Swarm Algorithm (SSA), termed Local Search SSA (LS-SSA), aimed at addressing the limitations of the standard SSA, particularly its tendency to converge prematurely and become trapped in local minima. The LS-SSA incorporates localized search agents to enhance the exploration capabilities of the SSA, which is crucial for optimizing hyperparameters in Convolutional Neural Networks (CNNs) used in medical imaging, specifically for brain MRI datasets. The effectiveness of LS-SSA was evaluated against a suite of twenty-eight benchmark functions from the IEEE-CEC-2017, demonstrating superior performance characterized by higher accuracy (94.43%), lower error rates (5.57%), and improved convergence metrics compared to existing methods.
Statistical analyses confirmed the robustness and efficiency of LS-SSA, highlighting its ability to refine initial solutions and produce a broader range of optimal candidate solutions. The results indicate that LS-SSA not only outperforms the standard SSA but also surpasses several contemporary optimization techniques across various function types, including unimodal and multimodal challenges. The paper suggests that LS-SSA could be further applied to diverse engineering domains such as autonomous vehicles, natural language processing, and healthcare management, thereby extending its utility beyond medical imaging. Future work will focus on exploring these applications while addressing the inherent variability associated with stochastic optimization methods.
Introduction
The introduction of the research paper provides a comprehensive overview of the advancements in the Salp Swarm Algorithm (SSA) and its variants, highlighting their applications across various scientific and engineering domains. Notably, in 2024, Guo et al. introduced the hybrid MIS-based SSA, termed SDSSA, aimed at diagnosing breast cancer pathology images, validating their model against 30 benchmark functions. Other significant contributions include Jebastine’s CEXGB-ESSO model for brain tumor detection, Mahapatra et al.’s quantized orthogonal hybrid SSA (QOX-SSA) for optimizing feature selection in Radial Basis Function Neural Networks (RBFNN), and Abualigah et al.’s RSA-SSA for medical image segmentation, which underwent non-parametric evaluation.
The section further details various models developed in recent years, such as the ESSA for training feed-forward backpropagation neural networks (FFNN) by Al-Betar, and the HDLISSA-MGDC model for grape disease classification by Alsubai et al. Each model is compared with contemporary methods and assessed using benchmark functions, underscoring the ongoing efforts to enhance SSA’s efficacy in diverse applications, including software fault detection and mobile robot path planning. The literature review encapsulates the evolution of SSA-related methodologies, emphasizing their relevance in machine learning, deep learning, and hybrid optimization algorithms, as summarized in Table 1.
Discussion
The discussion section of the paper elaborates on the Salp Swarm Algorithm (SSA), a novel swarm-based metaheuristic method inspired by the collective behavior of salps in the ocean. Introduced by Mirjalili et al. in 2017, SSA utilizes a leader-follower dynamic within salp chains to explore optimization problems. The leader salp updates its position based on food sources, while follower salps adjust their positions sequentially. The algorithm’s effectiveness is enhanced by a crucial parameter, $P_1$, which balances exploration and exploitation, thereby preventing stagnation in local optima.
To address the limitations of the basic SSA, particularly its tendency to become trapped in local minima, the paper proposes an improved version called LS-SSA, which integrates a local search technique. This approach refines candidate solutions iteratively within a defined neighborhood, enhancing convergence rates and exploration capabilities. The LS-SSA demonstrates superior performance over standard SSA and other contemporary metaheuristic algorithms, as evidenced by extensive experimentation using the IEEE-CEC-2017 benchmark suite. Results indicate that LS-SSA achieves better optimization outcomes, including improved accuracy and reduced error rates in applications such as hyperparameter tuning for Convolutional Neural Networks (CNNs) in medical imaging tasks. The findings suggest that LS-SSA is a robust method for solving complex optimization problems across various domains.