Publisher's Synopsis
Il Soft Computing (SC) è emerso come uno strumento versatile per la risoluzione di problemi computazionali complessi in vari campi. Il soft computing sfrutta le capacità di riconoscimento e di apprendimento simili a quelle umane per fornire soluzioni innovative alle sfide del mondo reale. In un'epoca di esplosione dei dati, un'efficace elaborazione dei dati richiede la selezione di attributi chiave per la modellazione predittiva, con conseguente richiesta di selezione di sottoinsiemi di caratteristiche. La selezione dei sottoinsiemi di caratteristiche è un problema NP-Hard, con vari metodi classificati in approcci di tipo filter, wrapper e embedded. Gli algoritmi meta-euristici, noti per le loro capacità di ricerca globale, sono stati utilizzati per la selezione delle caratteristiche per massimizzare l'accuratezza della classificazione. Con un'attenzione particolare alle applicazioni mediche, questo studio esplora la diagnosi assistita dal computer, dove i metodi di selezione delle caratteristiche basati sulla popolazione migliorano l'accuratezza della classificazione riducendo i tempi di analisi. La ricerca introduce due nuovi metodi meta-euristici, Separated Enemy Driven Dragon Algorithm (SEDDA) e Fitness-based Crow Search Algorithm (FSCA), e li confronta con tecniche consolidate.
