The increasing availability of underwater bioacoustic recordings has created new opportunities for automated analysis of marine mammal behavioral and communication patterns. However, real-world bioacoustic datasets are typically characterized by strong class imbalance, acoustic overlap between behavioral states, and limited labeled data for rare behaviors, significantly limiting the performance of conventional signal processing and machine learning approaches.

This dissertation investigates the use of bio-inspired metaheuristic optimization to enhance both unsupervised structure discovery and supervised classification performance in marine mammal bioacoustic signal analysis. A complete experimental pipeline was developed, including signal preprocessing, feature selection, imbalance-aware clustering optimization, and metaheuristic-driven classifier hyperparameter tuning. An extensive feature evaluation framework was applied to identify a compact set of discriminative acoustic descriptors. Unsupervised clustering experiments were performed using hybrid optimization objectives combining internal clustering metrics and imbalance-aware constraints. Five bio-inspired metaheuristic algorithms, the Genetic Algorithm (GA), the Particle Swarm Optimization (PSO), the Whale Optimization Algorithm (WOA), the Salp Swarm Algorithm (SSA), and the Dolphin Echolocation Algorithm (DEA), were systematically compared.

Results demonstrate that unsupervised clustering can partially recover dominant behavioral structure, while minority behavioral states remain difficult to separate due to intrinsic acoustic overlap and data scarcity. Metaheuristic optimization consistently improved supervised classification performance across multiple classifier families (KNN, Random Forest, SVM, and MLP), although performance converged within a narrow range, suggesting intrinsic representational limits of segment-level acoustic descriptors. The findings indicate that performance limitations in real bioacoustic behavioral classification are driven primarily by data representation and class imbalance rather than optimization strategy or model capacity. The proposed framework provides a reproducible methodology for integrating metaheuristic optimization into bioacoustic signal analysis.

Η αυξανόμενη διαθεσιμότητα υποβρύχιων βιοακουστικών καταγραφών έχει δημιουργήσει νέες δυνατότητες για την αυτοματοποιημένη ανάλυση της συμπεριφοράς και της επικοινωνίας των θαλάσσιων θηλαστικών. Ωστόσο, τα πραγματικά βιοακουστικά σύνολα δεδομένων χαρακτηρίζονται συνήθως από έντονη ανισορροπία μεταξύ των κλάσεων, ακουστική επικάλυψη μεταξύ διαφορετικών συμπεριφορικών καταστάσεων και περιορισμένη διαθεσιμότητα επισημασμένων δεδομένων για σπάνιες συμπεριφορές. Οι παράγοντες αυτοί περιορίζουν σημαντικά την απόδοση των συμβατικών μεθόδων επεξεργασίας σήματος και μηχανικής μάθησης.

Η παρούσα διπλωματική εργασία διερευνά τη χρήση βιολογικής έμπνευσης μεταευρετικών αλγορίθμων βελτιστοποίησης για την ενίσχυση τόσο της μη επιβλεπόμενης ομαδοποίησης όσο και της επιβλεπόμενης ταξινόμησης σε υποβρύχια βιοακουστικά σήματα θαλάσσιων θηλαστικών. Αναπτύχθηκε ένα ολοκληρωμένο πειραματικό πλαίσιο που περιλαμβάνει προεπεξεργασία σήματος, επιλογή χαρακτηριστικών, βελτιστοποίηση ομαδοποίησης με γνώμονα την ανισορροπία δεδομένων και βελτιστοποίηση υπερπαραμέτρων ταξινομητών με χρήση μεταευρετικών αλγορίθμων. Αρχικά, εφαρμόστηκε εκτενές πλαίσιο αξιολόγησης των χαρακτηριστικών για την επιλογή ενός συμπαγούς συνόλου ακουστικών χαρακτηριστικών. Στη συνέχεια πραγματοποιήθηκαν πειράματα μη επιβλεπόμενης ομαδοποίησης με χρήση υβριδικών αντικειμενικών συναρτήσεων που συνδυάζουν εσωτερικές μετρικές ομαδοποίησης και περιορισμούς σχετικούς με την ανισορροπία κλάσεων. Συγκρίθηκαν συστηματικά πέντε βιολογικής έμπνευσης αλγόριθμοι, ο Genetic Algorithm (GA), ο Particle Swarm Optimization (PSO), ο Whale Optimization Algorithm (WOA), ο Salp Swarm Algorithm (SSA) και ο Dolphin Echolocation Algorithm (DEA).

Τα αποτελέσματα δείχνουν ότι η μη επιβλεπόμενη ομαδοποίηση μπορεί να ανακτήσει μερικώς τη δομή των κυρίαρχων συμπεριφορών, ενώ οι μειονοτικές συμπεριφορικές καταστάσεις παραμένουν δύσκολα διαχωρίσιμες λόγω εγγενούς ακουστικής επικάλυψης και περιορισμένης διαθεσιμότητας δεδομένων. Η μεταευρετική βελτιστοποίηση βελτίωσε συστηματικά την απόδοση της επιβλεπόμενης ταξινόμησης σε πολλαπλές οικογένειες ταξινομητών (KNN, Random Forest, SVM και MLP), αν και η συνολική απόδοση συγκλίνει σε στενό εύρος τιμών, υποδηλώνοντας εγγενή όρια αναπαράστασης των τμηματικών ακουστικών χαρακτηριστικών.

Τα ευρήματα υποδεικνύουν ότι οι περιορισμοί απόδοσης στην πραγματική ταξινόμηση βιοακουστικών συμπεριφορών καθορίζονται κυρίως από την αναπαράσταση των δεδομένων και την ανισοκατανομή κλάσεων και λιγότερο από τη στρατηγική βελτιστοποίησης ή την πολυπλοκότητα του μοντέλου. Το προτεινόμενο πλαίσιο παρέχει μια αναπαραγωγίσιμη μεθοδολογία ενσωμάτωσης μεταευρετικής βελτιστοποίησης σε συστήματα ανάλυσης βιοακουστικών σημάτων.