محمداحسان بصیری - گروه کامپیوتر دانشگاه اصفهان
مهدی حسین زاده اقدم - گروه کامپیوتر دانشگاه اصفهان
شهلا نعمتی - دانشکده برق و کامپیوتر دانشگاه صنعتی اصفهان
بهروز ترک لادانی - گروه کامپیوتر دانشگاه اصفهان

در بسیاری از مسائل بیوانفورماتیک یک مدل برای کلاس- بندی دادهها ساخته میشود. هدف از ساخت چنین مدلی دستهبندی نمونهها در کلاسهای مربوطه است. تعداد زیاد ویژگیها باعث کند شدن سیستم، پایین آمدن کارایی و بالا رفتن هزینه ساخت مدل می- شود. برای انتخاب ویژگیها در مجموعه دادههای بیوانفورماتیکی، روشهای زیادی ارائه شده است. در این مقاله روشی جدید بر اساس الگوریتم کلونی مورچهها(ACO) برای انتخاب ویژگیها ارائه شده است. بازدهی کلاسبند و تعداد ویژگیهای انتخاب شده، بهعنوان اطلاعات اکتشافی در اختیارACO قرار گرفتند. بنابراین در روش پیشنهادی، برای انتخاب ویژگیها نیاز به دانستن اطلاعات قبلی در مورد ویژگیها وجود ندارد. کارایی الگوریتم بر روی یک مجموعه داده بیوانفورماتیکی بنام Postsynapticآزمایش شده است. برای مقایسه کارایی از دو معیار دقت و اندازه بردار ویژگی انتخابی، استفاده شده است. نتایج پیادهسازی، نشاندهنده بازدهی بسیار بالای الگوریتم پیشنهادی در مجموعه داده- های مورد استفاده میباشد.

الگوریتم کلونی مورچهها، انتخاب ویژگی، دادهکاوی، بیوانفورماتیک