نوقشت في جامعة تكريت/ كلية علوم الحاسوب والرياضيات اطروحة دكتوراه للباحثة (شهد ابراهيم محمد) الموسومة (Classification Adaption Through Enhanccd Metahuristic Optimization Algorithms).هذا وقد جاء في مستخلص الدراسة ما يلي:
تركز الاطروحة على تعزيز وتطوير اثنين من الخوارزميات الفوقية التي تتعامل مع مشاكل التحسين. الهدف الاساسي هو تحسين كفاءة هذه الخوارزميات في حل المشكلات ذات التعقيدات المختلفة خاصة في التعلم الالي , حيث يلعب التصنيف دوراً حيويا في تشخيص الامراض والتطبيقات الاخرى .
في الجزء الاول من الدراسة ,تم اقتراح نهج هجين يسمى تقنية الوزن المحلي (LW) مع خوارزمية جيب التمام (LWSCA)(SCA) لتعزيز اداء خوارزمية SCA ا الاصلية . ويتم تحقيق ذلك من خلال معالجة القيود المفروضة على الخوارزمية . مثل الدقة المحدودة , التقارب البطيء , وتحديات التحسين العالمي في المناطق متعددة الوسائط والفضاء عالي الابعاد .تدمج خوارزمية LWSCA التقنية الموزونة محلياً (LW) مع خوارزمية(SSA) Salp Swarm المسماة (LWSSA) , والتي تتضمن طريقة مرجحة محلياً (LW) ومخطط طفرة في خوارزمية SSA . يعدل نهج LW خوارزمية (SSA) Salp swarm ويحسنها باستخدام طريقة بحث محلية , بينما يعزز عامل الطفرة قدرة البحث العالمية من خلال تقديم مواقع فرعية جديدة لـ Salp مع زيادة العشوائية . تم تقييم فعالية الطرق المقترحة من خلال اختبارها مقابل دوال اختبار IEEE CEC2021 و 2017 IEEE CEC ومقارنتها بالتقنيات الحالية والاساليب الحديثة اضهرت النتائج ان اداء خوارزمية LWSSA كان افضل من الاساليب الشائعة الاخرى بما في ذلك خوارزمية LWSCA المقترحة .
علاوة على ذلك تم استخدام LWSSA لأغراض التصنيف في سياق تقييم مخاطر امراض القلب والاوعية الدموية CVD ) ( وتصنيف رقم 16 مجموعة بيانات ثم تقييم اداء النموذج المقترح من خلال مقارنته مع سبعة مصنفات مشهورة وخوارزميات تحسين , لتحسين اداء مصنف XGBOOST تشير النتائج التجريبية الى ان النهج المقترح (XGBOOST-LWSSA) تتفوق على الخوارزميات المنافسة في جميع المؤشرات . لذلك يمكن تطبيق لـ SSA في مجالات مختلفة , بما في ذلك الطب والرياضيات والهندسة .
