دوره و شماره : آماده انتشار

نویسندگان : سلمان صفری* ¹ ، کیمیا بازرگان لاری ² ، زهرا اکرام زاده ³

چکیده :
با پیشرفت فناوری‌های اطلاعاتی، حجم داده‌های تولید شده به سرعت در حال گسترش است. این داده‌های با ابعاد بالا، اگرچه غنی از اطلاعات پیچیده و متنوع هستند، چالش‌هایی مانند افزایش تقاضای محاسباتی و دشواری در استخراج بینش‌های ارزشمند را به همراه دارند. هدف انتخاب ویژگی‌ها، کاهش ابعاد داده‌ها با حداقل از دست دادن اطلاعات است. روش پیشنهادی ما، الگوریتم انتخاب ویژگی‌ها از طریق بهینه‌سازی کلونی مورچه‌ها (FSvACO)، از فاصله اکتشافی به طور مستقیم در تابع احتمال خود استفاده می‌کند، به جای استفاده از معکوس آن. این الگوریتم نیاز به زیرمجموعه‌های ویژگی‌ها را حذف کرده و با اجرای چندین تکرار، یک لیست فرکانسی از مسیرهای جمع‌آوری شده ایجاد می‌کند که اهمیت ویژگی‌ها را نشان می‌دهد. کارایی این روش از طریق آزمایش‌های مقایسه‌ای با سایر روش‌های موجود در ادبیات علمی تأیید شده است. برای اطمینان از انصاف، این آزمایش‌ها از مجموعه داده‌های یکسان، استراتژی‌های تقسیم داده، طبقه‌بندها و معیارهای عملکرد استفاده کرده‌اند. ابتدا الگوریتم با پانزده الگوریتم مختلف مقایسه شد و سپس با سه روش انتخابی معیار قرار گرفت. تأثیر انتخاب ویژگی‌ها بر عملکرد طبقه‌بندی از طریق مقایسه‌های قبل و بعد از فرآیند انتخاب ویژگی‌ها به‌طور آماری تأیید شد. همچنین عملکرد همگرایی روش پیشنهادی ارزیابی شده است. یافته‌های ما به طور قوی از اثربخشی روش معرفی شده در مدیریت داده‌های پیچیده و چندبعدی حمایت می‌کند.

کلمات کلیدی :
الگوریتم مورچه،انتخاب ویژگی ها