NAWOAA-XGBoost：用于预测计算机科学学生学术潜力的新型模型
计算工程、金融与科学
2025-12-08 v2
摘要
鲸鱼优化算法（WOA）受限于全局搜索能力有限、收敛速度慢以及易陷入局部最优的限制， restricting its effectiveness in hyperparameter optimization for machine learning models. 为此，本研究提出了一种非线性自适应鲸鱼优化算法（NAWOA），集成 Good Nodes Set 初始化、领袖-随从狩猎、动态包围猎物、三角狩猎以及非线性收敛因子等策略，以增强探索、开发和收敛稳定性。在 23 个基准函数上的实验表明，NAWOA 在优化能力和鲁棒性方面均优于传统方法。基于该优化器，开发了 NAWOA-XGBoost 模型，用于预测来自澳门理工大学（2009-2019 年）495 名计算机科学本科生的数据中的学术潜力。结果表明，NAWOAA-XGBoost 在关键指标上均优于传统 XGBoost 和 WOA-XGBoost，包括准确率（0.8148）、宏 F1（0.8101）、AUC（0.8932）和 G-Mean（0.8172），显示出对多类不平衡数据集的强大适应性。
引用
@article{arxiv.2512.04751,
title = {NAWOA-XGBoost: A Novel Model for Early Prediction of Academic Potential in Computer Science Students},
author = {Junhao Wei and Yanzhao Gu and Ran Zhang and Mingjing Huang and Jinhong Song and Yanxiao Li and Wenxuan Zhu and Yapeng Wang and Zikun Li and Zhiwen Wang and Xu Yang and Ngai Cheong},
journal= {arXiv preprint arXiv:2512.04751},
year = {2025}
}