بهينه سازي روش كلوني مورچه ها در مسئله انتخاب ويژگي

رشد چشم گير و غير قابل تصور در حجم داده هاي توليد و ذخيره شده در نهادها منجر به پنهان شدن دانش هاي مفيد و ناشناخته در درون انبوه اطلاعات شده است كه با معرفي و استفاده از دانش داده كاوي سعي در استخراج اين مفاهيم با ارزش داريم مهمترين چالش در اين زمينه ابعاد زياد يا به عبارتي تعداد زياد ويژگي ها (صفات) در مجموعه داده ها ما را با مشكل در اين زمينه مواجه خواهد كرد. علاوه بر اين با حذف اين ويژگي هاي اضافي سبب افزايش كارآيي الگوريتم هاي داده كاوي و حتي به دليل كاهش داده هاي آلوده مي توان در برخي موارد به نتايج بهتري رسيد. نكته مهم در اين حوزه پيچيدگي پياده سازي روش هاي كاهش ابعاد و NP-Hard بودن اين رده از مسائل است لذا الگوريتم هاي فرامكاشفه اي در اين حوزه مي توانند بسيار كاربردي هستند يكي از شناخته شده ترين الگوريتم هاي فرامكاشفه اي روش ACO است در اين مقاله به ارائه روشي جهت بهينه سازي اين روش كلاسيك مطرح شده و نتايج حاصل از اين بهينه سازي نيز مويد اين مطلب هستند.