انتخاب ويژگي مبتني بر يك الگوريتم بهينه‌سازي گرگ خاكستري بهبوديافته

مسئله انتخاب ويژگي يكي از مسائل مطرح در حوزه يادگيري ماشين و تشخيص الگوها از جمله طبقه‌بندي مي‌باشد كه در آن به مطالعه و شناسايي ويژگي‌هاي مهم و حذف ويژگي‌هاي زائد از مجموعه اطلاعات در دسترس، جهت كاهش ابعاد داده‌ها و بهبود عملكرد پيش‌گويي پرداخته مي‌شود. اين موضوع محققان را به سمتي هدايت مي‌كند كه از روش‌هاي جستجو براي پيدا كردن زيرمجموعه‌اي بهينه از ويژگي‌ها استفاده نمايند. در اين مقاله يك الگوريتم بهينه‌سازي گرگ خاكستري بهبوديافته مبتني بر دو تكنيك براي بهبود بخشيدن جستجوي محلي و سراسري و دوري از بهينه‌ي محلي جهت بدست آوردن بهينه سراسري، ارائه شده است. سپس از اين الگوريتم بهبوديافته براي اصلاح بهينه‌سازي گرگ خاكستري دودويي در انتخاب زيرمجموعه‌اي از ويژگي‌هاي بهينه براي اهداف طبقه‌بندي استفاده مي‌كنيم. نسخه‌هاي دودويي مبتني بر بهينه‌سازي گرگ خاكستري بهبوديافته با سه الگوريتم تكاملي بهينه‌سازي گرگ خاكستري استاندارد، بهينه‌سازي ازدحام ذرات و الگوريتم ژنتيك در اين زمينه مقايسه گرديده است. مجموعه‌اي از شاخص‌هاي تخمين براي ارزيابي و مقايسه روش‌هاي مختلف بر روي 5 مجموعه داده‌ي مختلف از مخزن UCI مورد استفاده قرار گرفته است. نتايج حاصل، قابليت‌هاي نسخه‌هاي دودويي مبتني بر بهينه‌سازي گرگ خاكستري بهبوديافته (BIGWO) را در جستجوي فضاي ويژگي براي تركيب ويژگي‌هاي بهينه نشان مي‌دهد