Улучшенная оптимизация на основе хаотического попугаиного оптимизатора для решения сложных задач в инженерии и сегментации медицинских изображений

Метаэвристики, являющиеся алгоритмами общего назначения, широко применяются для решения сложных задач оптимизации. Эти алгоритмы оперируют множеством потенциальных решений, чтобы сойтись к оптимуму, балансируя этапы исследования (exploration) и эксплуатации (exploitation). Недавний алгоритм Parrot Optimizer (PO) вдохновлён поведением домашних попугаев и направлен на повышение разнообразия решений. Однако, несмотря на перспективность, PO может сталкиваться с трудностями, такими как сходимость к субоптимальным решениям или медленная скорость сходимости. В данной работе предлагается улучшение алгоритма PO посредством интеграции хаотических отображений для решения сложных задач оптимизации. Улучшенный алгоритм, названный Chaotic Parrot Optimizer (CPO), характеризуется лучшей способностью избегать локальных минимумов и достигать глобально оптимальных решений благодаря динамической стратегии диверсификации, основанной на хаотических отображениях. Эффективность CPO была строго оценена с помощью углублённого статистического анализа с использованием 23 эталонных функций, а также бенчмарков IEEE CEC 2019 и CEC 2020, охватывающих широкий спектр задач оптимизации. Результаты показывают, что CPO превосходит не только исходный алгоритм PO, но и шесть недавних метаэвристик по скорости сходимости и качеству решений. Кроме того, алгоритм успешно применён к трем сложным инженерным задачам, что иллюстрирует его способность решать реальные многоконстрейнтные задачи. Интеграция с энтропией Капура также позволила выполнить точную сегментацию медицинских изображений, подчёркивая высокий потенциал метода для критически важных биомедицинских приложений. Исходный код CPO будет доступен в аккаунте GitHub: adil.sayyouri@etu.uae.ac.ma после принятия статьи.