ارائه روشی جدید به منظور بهبود انتخاب ویژگی با رویکرد فرا ابتکاری و نظریه آشوب

پیدا کردن زیر مجموعه ای از ویژگی ها از یک مجموعه داده بزرگ، مسئله ای است که در بسیاری از زمینه های مطالعاتی پیش می آید. از آنجایی که افزایش تعداد ویژگی ها هزینه محاسباتی یک سیستم را افزایش می دهد، طراحی و پیاده سازی سیستم ها با کمترین تعداد ویژگی ضروری به نظر می رسد. از طرف دیگر توجه به این موضوع بسیار مهم است که، باید زیر مجموعه موثری از ویژگی ها انتخاب شود که کارآیی قابل قبولی برای سیستم ایجاد کند. برای تشخیص اینکه کدام زیر مجموعه ویژگی موثرتر است، یک راه حل بررسی تمام زیر مجموعه های ممکن است که بررسی همه زیر مجموعه ها جزء مسائل سخت و دارای پیچیدگی محاسباتی بالاست. این موضوع ما را به سمتی هدایت می کند که از الگوریتم های فرا ابتکاری، برای پیدا کردن زیرمجموعه ای بهینه از ویژگی ها استفاده کنیم. الگوریتم های فرا ابتکاری دارای پارامترهایی است که بر کارایی آن اثر می گذارند؛ و معمولاً برای تنظیم این پارامترها از فرآیند های تصادفی استفاده می شود. با توجه به خصوصیت سیستم های آشوبناک که ظاهراً تصادفی و غیر قابل پیش بینی هستند، با اینحال ساختار قطعی دارند، می توانند جایگزین مطلوبی به جای فرآیند های تصادفی در این الگوریتم ها باشند. در این پایان نامه از رویکرد فرا ابتکاری جهت پیدا کردن ویژگی های موثر برای طبقه بندی استفاده شده است. در روش پیشنهادی، از الگوریتم بهینه سازی ازدحام ذرات باینری و نظریه آشوب استفاده شده است. نتایج حاصل از اعمال الگوریتم پیشنهادی بر روی مجموعه داده های گرفته شده از uci نشان می دهد که الگوریتم پیشنهادی در مقایسه با دیگر روش های فراابتکاری مطرح موجود برای انتخاب زیر مجموعه ویژگی، از عملکرد خوبی برخوردار است.