بهبود الگوریتم مورچگان در انتخاب ویژگی و کاهش ابعاد داده

انتخاب ویژگی یک مسأله مهم برای تحلیل داده در فرآیندهای بازیابی، سیستم های طبقه بندی الگو و کاربردهای داده کاوی است. این فرایند با حذف ویژگی های نویزی، نامرتبط و تکراری، تعداد ویژگی ها را کاهش می دهد. در این پایان نامه برای نخستین بار نسخه جدیدی از الگوریتم مورچگان باینری ارائه و از آن برای حل مسأله انتخاب ویژگی استفاده می شود. الگوریتم پیشنهادی که ترکیبی از دو الگوریتم مورچگان باینری و گسسته است، با به کارگیری مزیت های هر یک از این دو روش، ضعف های آن ها را برطرف می سازد. همچنین توابع بینایی مختلفی برای بهبود الگوریتم پیشنهادی معرفی می شوند. برای بررسی عملکرد الگوریتم، روش های ابتکاری جمعیت ذرات باینری، وراثتی باینری، گرانش باینری و جمعیت مورچگان باینری به همراه نسخه های بهبود یافته ای از این الگوریتم ها در انتخاب ویژگی مقایسه می¬شوند. برای انجام آزمایش ها از 12 مجموعه داده از پایگاه داده uci استفاده شده است که اکثر آن ها به طور مکرر در بسیاری از مطالعات یادگیری ماشینی و شبکه عصبی به کار گرفته شده اند. نتایج آزمایش های انجام شده به همراه تحلیل آن ها ارائه می شود.