حل مسئله انتخاب ویژگی با استفاده از یک روش ترکیبی مبتنی بر الگوریتم ژنتیک و الگوریتم بهینه سازی کلونی مورچه باینری

نتخاب ویژگی، یک تکنیک پیش پردازش موثر و مفید برای حل مسائل طبقه بندی است. هدف اصلی از انتخاب ویژگی، پیدا کردنیک زیرمجموعه بهینه از مجموعه ویژگی های موجود در یک مسئله طبقه بندی است بگونه ای که بیشترین دقت طبقه بندی را با کمترین تعداد ویژگی داشته باشد. در این مقاله، روش ترکیبی جدیدی برای حل مسئله انتخاب ویژگی، بنام GACO-FS معرفی می کنیم که مبتنی بر دو الگوریتم ژنتیک (GA) و الگوریتم بهینه سازی کلونی مورچه باینری (BACO) است. در روش پیشنهادی، از الگوریتم GA برای مقداردهی اطلاعات مکاشفه ای در BACO استفاده میشود. عملکرد روش ارائه شده بر روی چندین مجموعهداده انتخابی از مخزن KEEL و 4 مجموعه داده شناخته شده از میکرو آرایه های DNA پزشکی، مورد ارزیابی و نتایج بدست آمده از آن، با نتایج سه الگوریتم مبتنی بر بهینه سازی ازدحام ذرات (PSO) و الگوریتم کلونی زنبور عسل مصنوعی (ABC) مورد مقایسه قرار گرفته است. نتایج بدست آمده حاکی از آن است که عملکرد الگوریتم GACO-FS در اکثر نمونه های آزمایشی، در مقایسه با الگوریتم های مذکور، از نظر دقت طبقه بندی و تعداد ویژگی بهتر بوده است.