بکارگیری روش بهینه سازی تکامل تفاضلی باینری و شبکه های عصبی عمیق برای تشخیص افراد سالم، ذات الریه و کوویدی در تصاویر اشعه ایکس

با گسترش دانش و افزایش پیچیدگی مسائل طی دهه های اخیر، نیاز به روش های بهینه سازی هرچه بیشتر و بهتر به منظور یافتن بهترین جواب ممکن برای مسائل متعدد بیش از گذشته است. الگوریتم تکامل تفاضلی یکی از الگوریتم های فراابتکاری است که برای بهینه سازی توابع غیرخطی مورد استفاده قرار می گیرد و هم در فضاهای پیوسته و هم گسسته قابل استفاده است. این الگوریتم مشابه الگوریتم ژنتیک دارای عملگرهای جهش و تقاطع می باشد بطوریکه برخلاف الگوریتم ژنتیک، عملگر جهش در الگوریتم تکامل تفاضلی، عملگر برتر است. همچنین تفاوت اصلی آن در عملگر انتخاب است. در این مقاله سعی بر این است تا با استفاده از الگوریتم تکامل تفاضلی باینری، یک نمونه مسئله بهینه سازی که معادل با انتخاب ویژگی به منظور تشخیص افراد سالم از افراد مبتلا به کووید و ذات الریه با استفاده از شبکه عصبی یادگیری عمیق حل گردد. به منظور بررسی کارایی روش فوق، الگوریتم مربوطه پیاده سازی گردید. نتایج آزمایش های انجام گرفته حاکی از کارایی بالای این روش در انتخاب ویژگی به ویژه با مدل VGG۱۹ از یادگیری عمیق می باشد.