群智能优化方法在现实生活中发挥着越来越重要的作用。樽海鞘(SSA)优化算法是新近刚提出的一种算法,它是群智能优化算法的一种典型代表。它的主要原理是基于樽海鞘在寻找食物源时其链的运动和相互作用作为个体的运动规则进行个体位置更新而逐渐接近食物源。在众多实际应用问题中,SSA凭借本身参数少,性能优良及链中樽海鞘可以穿越多维特征空间、全方位瞄准食物,从而在一定程度上减少陷入局部最优的概率等特点,使其表现出良好的性能。然而,随着SSA的应用范围越来越广,其不足之处也逐渐暴露,特别是在解决医学诊断问题上,SSA的寻优能力还有待进一步改善。为了改善SSA在医学诊断问题上的优化能力,本研究主要针对SSA自身存在的缺点,引入了多种新机制,进一步提升SSA算法的寻优能力,使其在全局优化和局部优化能力之间找到较好的平衡。本文的主要工作包括以下几个方面:1、对樽海鞘优化算法研究现状和医学诊断的研究现状进行了阐述,同时总结分析了这些领域存在的问题,并指出了其发展趋势和所面临的问题。此外还对机器学习、特征选择和图像分割等问题进行了介绍,重点对本文涉及的模糊K近邻(FKNN)算法和SSA等相关理论和存在的问题及改进方向进行了探讨和分析。2、为了在医学诊断问题上取得更好的分类性能,针对SSA本身存在的问题,本文通过采用集成变异策略(CMS)来加强SSA的开发和探索能力,使之在并行执行集成变异策略的时候可以获得更优的收敛精度。同时利用重启机制(RS)帮助樽海鞘经历固定次数后其位置未得到改善而重新启动初始化策略以防止整个种群陷入局部最优状态。将提出的改进SSA方法用于优化FKNN模型,构建了性能最优的CMSRSSSA-FKNN预测模型。在乳腺癌、肝脏疾病、心脏病、糖尿病等问题上对该模型进行了验证,实验结果表明提出的模型跟其他多种机器学习方法相比,CMSRSSSA-FKNN模型在四种评估指标上都实现了较明显的提升。3、为了提升医学数据特征选择效果,本文在SSA中引入准反向学习策略和高斯骨架机制,提出一种基于准反向学习和骨架机制的樽海鞘算法(QBSSA)。无论是在标准测试集上还是在实际医学数据特征选择问题上都表现出了更佳的效果。在CEC2017竞赛数据集上通过与10种改进的群智能算法进行对比,结果表明提出的QBSSA在解的质量和收敛性方面都具有更好的结果。在乳腺癌、淋巴造影等疾病的关键致病特征选择上,QBSSA方法在三个不同的维度(适应度、误差值、特征数目)上明显优于其他五种对比算法。4、为了提升医学图像分割的效果,本文在原始SSA中引入了分形搜索机制和高斯骨架机制,提出一种基于骨架分形机制的SSA算法(GBSFSSSA),并通过非局部均值和Kapur熵来搜寻多阈值图像分割中的最佳阈值。在红斑狼疮肾病理图像分割问题上取得了较好的效果。实验中本文提出的GBSFSSSA与五种其他算法进行了对比分析,结果表明本文提出的GBSFSSSA在三个不同维度(PSNR、SSIM和FSIM)上总体性能都要优于其他对比算法,可以有效地对肾病理图像进行分割。