Apadana موسسه آموزش عالی آپادانا Journal of Apadana ........... نشریه مطالعات مهندسی کامپیوتر آپادانا - A review of ant colony optimization for trait selection مروری بر بهینه ‌سازی کلونی مورچه‌ ها برای انتخاب ویژگی‌ها FA salman safari Master's student, artificial intelligence and robotics, Apadana Institute of Higher Education, Shiraz, Iran سلمان صفری دانشجوی کارشناسی ارشد ،هوش مصنوعی و رباتیک، موسسه آموزش عالی آپادانا، شیراز، ایران kimia bazargan lari Assistant Professor, Computer Department, Apadana Institute of Higher Education, Shiraz, Iran کیمیا بازرگان لاری استادیار، گروه کامپیوتر، موسسه آموزش عالی آپادانا، شیراز، ایران zahra ekramzadeh Instructor, Computer Department, Apadana Institute of Higher Education, Shiraz, Iran زهرا اکرام زاده مربی، گروه کامپیوتر، موسسه آموزش عالی آپادانا، شیراز، ایران With the advancement of information technologies, the volume of generated data is rapidly expanding. These high-dimensional data, while rich in complex and diverse information, bring challenges such as increased computational demands and difficulties in extracting valuable insights. The goal of feature selection is to reduce data dimensions with minimal loss of information. Our proposed method, the Feature Selection via Ant Colony Optimization (FSvACO) algorithm, directly uses the heuristic distance in its probability function instead of its inverse. This algorithm eliminates the need for feature subsets and, through multiple iterations, creates a frequency list of collected paths that indicates the importance of features. The efficiency of this method has been confirmed through comparative experiments with other existing methods in the scientific literature. To ensure fairness, these experiments used the same datasets, data splitting strategies, classifiers, and performance metrics. First, the algorithm was compared with fifteen different algorithms, and then it was benchmarked against three selected methods. The impact of feature selection on classification performance was statistically confirmed through comparisons before and after the feature selection process. Additionally, the convergence performance of the proposed method has been evaluated. Our findings strongly support the effectiveness of the introduced method in managing complex and multidimensional data. 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. https://ajce.apadana.ac.ir/downloadfilepdf/455616