بهینه سازی ماشین بردار پشتیبان دو قلو در طبقه بندی سرطان پستان به کمک یک الگوریتم فرا اکتشافی ترکیبی مبتنی بر یادگیری تقویتی چند عاملی

نوع مقاله : مقاله استخراج شده از پایان نامه

نویسندگان
آیدا رحیمی
امید سلیمانی فرد
دانشگاه فردوسی مشهد
10.22034/mmr.2026.11745
چکیده
تشخیص سرطان پستان نیازمند روش‌های طبقه‌بندی دقیق برای شناسایی زودهنگام و بهبود پیامدهای بالینی است. این پژوهش قصد دارد یک چارچوب بهینه‌سازی ترکیبی برای ارتقای عملکرد ماشین بردار پشتیبان دوقلو (Twin SVM) در طبقه‌بندی سرطان پستان پیشنهاد بدهد. این چارچوب چهار الگوریتم فرا اکتشافی الهام‌گرفته از اکوسیستم دریایی — PSO, WOA, SSA ‏و ‎MPA‎ — را به‌عنوان عامل‌های مکمل در قالب یک ساختار ادغام می‌کند. الگوریتم Q-Learning با انتخاب تطبیقی مؤثرترین عملگر جستجو در هر تکرار، تعادل بین کاوش و بهره‌برداری را به‌صورت پویا مدیریت کرده و از همگرایی زودهنگام جلوگیری می‌نماید. نتایج آزمایشی روی مجموعه داده‌های معیار سرطان پستان نشان می‌دهد که روش پیشنهادی از نظر دقت‏ کلی، دقت و بازخوانی نسبت به Twin SVM متداول و بهینه‌سازهای تک‌الگوریتمی برتری قابل‌توجهی دارد.
کلیدواژه‌ها
ماشین بردار پشتیبان دوقلو
طبقه‌بندی سرطان پستان
‌الگوریتم فرااکتشافی ترکیبی
‌یادگیری تقویتی چندعاملی

عنوان مقاله English

Optimizing Twin Support Vector Machine for Breast Cancer Classification Using a Hybrid Metaheuristic Algorithm Based on Multi-Agent Reinforcement Learning

نویسندگان English

Ayda Rahimi
Omid SolaymaniFard
Ferdowsi University of Mashhad
چکیده English

Breast cancer diagnosis requires accurate classification methods to support early detection and improve clinical outcomes. This study aims to propose a hybrid optimization framework to enhance Twin Support Vector Machine (‎Twin SVM‎) performance for breast cancer classification. The framework integrates four marine-inspired metaheuristic algorithms — Particle Swarm Optimization (PSO), Whale Optimization Algorithm (WOA), Salp Swarm Algorithm (SSA), and Marine Predators Algorithm (MPA) — as cooperative structure. Q-Learning dynamically controls the exploration-exploitation balance by adaptively selecting the most effective search operator at each iteration, preventing premature convergence and improving global search capability. Experimental results on two benchmark breast cancer datasets demonstrate that the proposed method achieves superior accuracy, ‎precision‎, and recall compared to conventional Twin SVM and single-algorithm optimizers.

کلیدواژه‌ها English

Twin Support Vector Machine‎
Breast Cancer Classification‎
Hybrid Metaheuristic ‎Algorithm‎‎
Multi Agent Reinforcement
[1] Siegel, R.L., Miller, K.D. and Jemal, A., 2016. Cancer statistics. CA: A Cancer Journal for Clinicians, 66(1), pp.7–30.
[2] Dou, Y., and Meng, W., 2021. An optimization algorithm for computer-aided diagnosis of breast cancer based on support vector machine. Frontiers in Bioengineering and Biotechnology, 9, pp.1-12.
[3] Rahimi, A. and SolaymaniFard, O., 2025. Breast cancer diagnosis via twin support vector machine optimized by metaheuristic algorithms. 56th Annual Iranian Mathematics Conference, pp.1-4.
[4] Rahimi, A. and SolaymaniFard, O., 2025. A novel metaheuristic-optimized fuzzy twin SVM with dissimilarity measure for breast cancer diagnosis. 18th International Conference of Iranian Operations Research Society, pp.1-5.
[5] Rahimi, A. and SolaymaniFard, O., 2026. BMI-driven multi-task TSVM with PSO/GWO-based optimization for breast cancer diagnosis. 8th National Seminar on Control and Optimization, pp.1-7.
[6] Rahimi, A. and SolaymaniFard, O., 2026. A bio-inspired optimization framework for BMI-guided multi-task TSVM in breast cancer diagnosis. 5th National and 1st International Conference on Soft Computing of Engineering Sciences in Industry and Society, pp.1-6.
[7] Akay, M. F., 2009. Support vector machines combined with feature selection for breast cancer diagnosis. Expert Systems with Applications, 36(2), pp.3240-3247.
[8] Tomar, D. and Agarwal, S., 2015. Twin support vector machines: A review from 2007 to 2014. Egyptian Informatics Journal, 16, pp.55-69.
[9] Kennedy, J. and Eberhart, R., 1995. Particle swarm optimization. Proceedings of the IEEE International Conference on Neural Networks, 4, pp.1942-1948.
[10] Mirjalili, S., Gandomi, A.H., Mirjalili, S.Z., Saremi, S., Faris, H. and Mirjalili, S.M., 2017. Salp swarm algorithm: A bio-inspired optimizer for engineering design problems. Advances in Engineering Software, 114, pp.163-191.
[11] Faramarzi, A., Heidarinejad, M., Mirjalili, S. and Gandomi, A.H., 2020. Marine predators algorithm: A nature-inspired metaheuristic. Expert Systems with Applications, 152, pp.113377.
[12] Mirjalili, S. and Lewis, A., 2016. The whale optimization algorithm. Advances in Engineering Software, 95, pp.51-67.
[13] Qiu, J., Xie, J., Zhang, D., Zhang, R. and Lin, M., 2024. A fuzzy twin support vector machine based on dissimilarity measure and its biomedical applications. International Journal of Fuzzy Systems, 26(8), pp.2750–2766.
[14] Bartlett, P., 2008. Reproducing Kernel Hilbert Spaces. Lecture notes of CS281B/Stat241B Statistical Learning Theory, University of California at Berkeley.
[15] Zhao, Y., Kosorok, M.R. and Zeng, D., 2009. Reinforcement learning design for cancer clinical trials. Statistics in Medicine, 28(26), pp.3294-3315.
[16] Sutton, R.S., Barto, A.G., 1998. Reinforcement Learning: An Introduction. MIT Press; Cambridge, MA.