ارائه رهیافتی جدید از کاربرد الگوریتم های فرامکاشفه ای در مسأله انتخاب ویژگی برای مجموعه داده های بزرگ

دسترس پذیری بالای داده ها در جوامع اطلاعاتی کنونی، وجود ابزاری معتبر و کارآمد به منظور مدل سازی و تحلیل داراییهای با ارزش (اطلاعات) را ملموس تر می نماید. از موانع مهم در استفاده ابزارهای داده کاوی در این راستا حجم بالای داده های مورد بررسی است که هزینه های زمانی و تحلیلی زیادی را به دنبال دارد. در اغلب موارد می توان با حذف داده های زائد وبی ارزش علاوه بر کاهش هزینه های کاوش، صحت نتایج تولیدی را نیز تا حد قابل قبولی حفظ کرد. انتخاب ویژگی یکی از روش هایی است که سعی دارد با کاهش تعداد صفات داده های مورد بررسی هزینه های داده کاوی را کاهش دهد، ولی از آن جا که خود روال انتخاب ویژگی مناسب جزو مسائل np-complete است، می توان به جای تولید پاسخ قطعی با صرف زمان قابل ملاحظه، به دنبال رسیدن به پاسخ قابل قبول باشیم. استفاده از رویکرد فرامکاشفه ای برای این منظور مناسب و پرکاربرد است، در این پایان نامه با ترکیب و ایجاد تغییرات مناسب در روش های متداول فرامکاشفه ای مانند روش کلونی مورچه ها، جستجوی هارمونیک و بهینه سازی ذرات هوشمند توانسته ایم به ایجاد بهینگی در این روش ها برای حل مسأله انتخاب ویژگی دست یابیم، که نتایج حاصل از اعمال این تغییرات با شبیه سازی انجام شده با نرم افزار متلب و بر روی مجموعه داده های بزرگ و معتبری مانند گیست و درثا که به منظور استفاده در روش انتخاب ویژگی مناسب سازی شده است اعمال و نتایج حاصل تایید کننده بهینگی روش مورد بررسی است.