La predicción de proteínas desordenadas intrínsecamente es un área candente en el campo de la bioinformación. Debido al alto costo de evaluar las regiones desordenadas de secuencias de proteínas utilizando métodos experimentales, utilizamos un esquema de predicción de baja complejidad. La complejidad de la secuencia se utiliza en este esquema para calcular cinco características para cada residuo de la secuencia de proteínas, incluyendo la entropía de Shannon, la entropía topológica, la entropía de permutación y los valores promedio ponderados de dos propensiones. En particular, esta es la primera vez que la entropía de permutación se ha aplicado al campo de la secuenciación de proteínas. Además, en la etapa de preprocesamiento de datos, se puede utilizar una ventana deslizante de tamaño apropiado y un esquema de sobremuestreo integral para mejorar el rendimiento de predicción de nuestro esquema, y también se utilizan dos algoritmos de aprendizaje en conjunto para verificar los resultados de predicción antes y después. Los resultados muestran que agregar entropía de permutación mejora el rendimiento del algoritmo de predicción, en el cual el valor de MCC puede mejorarse desde el valor original de 0.465 a 0.526 en nuestro esquema, demostrando su universalidad. Finalmente, comparamos los resultados de simulación de nuestro esquema con los de algunos esquemas existentes para demostrar su efectividad.