Ebola Optimization Search Algorithm: A New Nature-Inspired Metaheuristic Optimization Algorithm خوارزمية البحث عن تحسين الإيبولا: خوارزمية تحسين جديدة مستوحاة من الطبيعة Algorithme de recherche d'optimisation Ebola : un nouvel algorithme d'optimisation métaheuristique inspiré de la nature Algoritmo de búsqueda de optimización del ébola: un nuevo algoritmo de optimización metaheurística inspirado en la naturaleza

Nature computing has evolved with exciting performance to solve complex real-world combinatorial optimization problems. These problems span across engineering, medical sciences, and sciences generally. The Ebola virus has a propagation strategy that allows individuals in a population to move among susceptible, infected, quarantined, hospitalized, recovered, and dead sub-population groups. Motivated by the effectiveness of this strategy of propagation of the disease, a new bio-inspired and population-based optimization algorithm is proposed. This study presents a novel metaheuristic algorithm named Ebola Optimization Search Algorithm (EOSA) based on the propagation mechanism of the Ebola virus disease. First, we designed an improved SIR model of the disease, namely SEIR-HVQD: Susceptible (S), Exposed (E), Infected (I), Recovered (R), Hospitalized (H), Vaccinated (V), Quarantine (Q), and Death or Dead (D). Secondly, we represented the new model using a mathematical model based on a system of first-order differential equations. A combination of the propagation and mathematical models was adapted for developing the new metaheuristic algorithm. To evaluate the performance and capability of the proposed method in comparison with other optimization methods, two sets of benchmark functions consisting of forty-seven (47) classical and thirty (30) constrained IEEE-CEC benchmark functions were investigated. The results indicate that the performance of the proposed algorithm is competitive with other state-of-the-art optimization methods based on scalability, convergence, and sensitivity analyses. Extensive simulation results show that the EOSA outperforms popular metaheuristic algorithms such as the Particle Swarm Optimization Algorithm (PSO), Genetic Algorithm (GA), and Artificial Bee Colony Algorithm (ABC). Also, the algorithm was applied to address the complex problem of selecting the best combination of convolutional neural network (CNN) hyperparameters in the image classification of digital mammography. Results obtained showed the optimized CNN architecture successfully detected breast cancer from digital images at an accuracy of 96.0%. The source code of EOSA is publicly available at github.com . تطورت الحوسبة الطبيعية بأداء مثير لحل مشاكل التحسين التوافقي المعقدة في العالم الحقيقي. تمتد هذه المشاكل عبر الهندسة والعلوم الطبية والعلوم بشكل عام. يتمتع فيروس الإيبولا باستراتيجية انتشار تسمح للأفراد من السكان بالتنقل بين مجموعات السكان الفرعية المعرضة للإصابة والمصابة والحجر الصحي والعلاج في المستشفى والشفاء والموت. بدافع من فعالية استراتيجية انتشار المرض هذه، يتم اقتراح خوارزمية تحسين جديدة مستوحاة من الحياة ومستندة إلى السكان. تقدم هذه الدراسة خوارزمية جديدة تسمى خوارزمية البحث عن تحسين الإيبولا (EOSA) بناءً على آلية انتشار مرض فيروس الإيبولا. أولاً، قمنا بتصميم نموذج SIR محسن للمرض، وهو SEIR - HVQD: حساس (S)، معرض (E)، مصاب (I)، متعافي (R)، في المستشفى (H)، ملقح (V)، الحجر الصحي (Q)، والموت أو الموت (D). ثانياً، قمنا بتمثيل النموذج الجديد باستخدام نموذج رياضي يعتمد على نظام المعادلات التفاضلية من الدرجة الأولى. تم تكييف مزيج من نماذج الانتشار والنماذج الرياضية لتطوير خوارزمية metaheuristic الجديدة. لتقييم أداء وقدرة الطريقة المقترحة مقارنة بطرق التحسين الأخرى، تم التحقيق في مجموعتين من الوظائف المعيارية التي تتكون من سبعة وأربعين (47) وظيفة معيارية كلاسيكية وثلاثين (30) وظيفة معيارية مقيدة لـ IEEE - CEC. تشير النتائج إلى أن أداء الخوارزمية المقترحة تنافسي مع طرق التحسين الحديثة الأخرى بناءً على قابلية التوسع والتقارب وتحليلات الحساسية. تظهر نتائج المحاكاة المكثفة أن EOSA يتفوق على خوارزميات metaheuristic الشائعة مثل خوارزمية تحسين سرب الجسيمات (PSO) والخوارزمية الوراثية (GA) وخوارزمية مستعمرة النحل الاصطناعي (ABC). كما تم تطبيق الخوارزمية لمعالجة المشكلة المعقدة المتمثلة في اختيار أفضل مزيج من معلمات الشبكة العصبية الالتفافية (CNN) في تصنيف صورة التصوير الشعاعي للثدي الرقمي. أظهرت النتائج التي تم الحصول عليها أن بنية CNN المحسنة اكتشفت بنجاح سرطان الثدي من الصور الرقمية بدقة 96.0 ٪. الشفرة المصدرية لـ EOSA متاحة للجمهور على github.com. L'informatique naturelle a évolué avec des performances passionnantes pour résoudre des problèmes complexes d'optimisation combinatoire dans le monde réel. Ces problèmes concernent l'ingénierie, les sciences médicales et les sciences en général. Le virus Ebola a une stratégie de propagation qui permet aux individus d'une population de se déplacer parmi les groupes de sous-populations sensibles, infectés, mis en quarantaine, hospitalisés, guéris et morts. Motivé par l'efficacité de cette stratégie de propagation de la maladie, un nouvel algorithme d'optimisation bio-inspiré et basé sur la population est proposé. Cette étude présente un nouvel algorithme métaheuristique nommé Ebola Optimization Search Algorithm (EOSA) basé sur le mécanisme de propagation de la maladie à virus Ebola. Tout d'abord, nous avons conçu un modèle SIR amélioré de la maladie, à savoir SEIR-HVQD : Susceptible (S), Exposé (E), Infecté (I), Récupéré (R), Hospitalisé (H), Vacciné (V), Quarantaine (Q) et Mort ou Mort (D). Deuxièmement, nous avons représenté le nouveau modèle en utilisant un modèle mathématique basé sur un système d'équations différentielles de premier ordre. Une combinaison des modèles de propagation et mathématiques a été adaptée pour développer le nouvel algorithme métaheuristique. Pour évaluer la performance et la capacité de la méthode proposée par rapport à d'autres méthodes d'optimisation, deux ensembles de fonctions de référence comprenant quarante-sept (47) fonctions de référence classiques et trente (30) fonctions de référence IEEE-CEC contraintes ont été étudiés. Les résultats indiquent que la performance de l'algorithme proposé est compétitive par rapport à d'autres méthodes d'optimisation de pointe basées sur des analyses d'évolutivité, de convergence et de sensibilité. Des résultats de simulation approfondis montrent que l'EOSA surpasse les algorithmes métaheuristiques populaires tels que l'algorithme d'optimisation d'essaim de particules (PSO), l'algorithme génétique (GA) et l'algorithme de colonie d'abeilles artificielles (ABC). En outre, l'algorithme a été appliqué pour résoudre le problème complexe de la sélection de la meilleure combinaison d'hyperparamètres de réseau neuronal convolutionnel (CNN) dans la classification d'images de la mammographie numérique. Les résultats obtenus ont montré que l'architecture CNN optimisée a détecté avec succès le cancer du sein à partir d'images numériques avec une précision de 96,0 %. Le code source de l'EOSA est accessible au public sur github.com. La computación de la naturaleza ha evolucionado con un rendimiento emocionante para resolver problemas complejos de optimización combinatoria en el mundo real. Estos problemas abarcan la ingeniería, las ciencias médicas y las ciencias en general. El virus del Ébola tiene una estrategia de propagación que permite a los individuos de una población moverse entre grupos de subpoblaciones susceptibles, infectadas, en cuarentena, hospitalizadas, recuperadas y muertas. Motivado por la efectividad de esta estrategia de propagación de la enfermedad, se propone un nuevo algoritmo de optimización bioinspirado y basado en la población. Este estudio presenta un novedoso algoritmo metaheurístico denominado Ebola Optimization Search Algorithm (EOSA) basado en el mecanismo de propagación de la enfermedad por el virus del Ébola. En primer lugar, diseñamos un modelo SIR mejorado de la enfermedad, a saber, SEIR-HVQD: Susceptible (S), Expuesto (E), Infectado (I), Recuperado (R), Hospitalizado (H), Vacunado (V), Cuarentena (Q) y Muerte o Muerto (D). En segundo lugar, representamos el nuevo modelo utilizando un modelo matemático basado en un sistema de ecuaciones diferenciales de primer orden. Se adaptó una combinación de los modelos de propagación y matemáticos para desarrollar el nuevo algoritmo metaheurístico. Para evaluar el rendimiento y la capacidad del método propuesto en comparación con otros métodos de optimización, se investigaron dos conjuntos de funciones de referencia que consisten en cuarenta y siete (47) funciones de referencia clásicas y treinta (30) funciones de referencia IEEE-CEC restringidas. Los resultados indican que el rendimiento del algoritmo propuesto es competitivo con otros métodos de optimización de última generación basados en análisis de escalabilidad, convergencia y sensibilidad. Los extensos resultados de la simulación muestran que la EOSA supera a los algoritmos metaheurísticos populares, como el Algoritmo de Optimización de Enjambre de Partículas (PSO), el Algoritmo Genético (GA) y el Algoritmo de Colonia de Abejas Artificial (ABC). Además, el algoritmo se aplicó para abordar el complejo problema de seleccionar la mejor combinación de hiperparámetros de redes neuronales convolucionales (CNN) en la clasificación de imágenes de la mamografía digital. Los resultados obtenidos mostraron que la arquitectura optimizada de CNN detectó con éxito el cáncer de mama a partir de imágenes digitales con una precisión del 96,0%. El código fuente de EOSA está disponible públicamente en github.com.