ارائه روش جهش هوشمند مبتني بر الگوريتم PSO براي حل مسئله انتخاب ويژگي

امروزه با افزايش حجم توليد داده، توجه به الگوريتم‌هاي يادگيري ماشين جهت استخراج دانش از داده‌هاي خام افزايش يافته است. داده خام معمولاً داراي ويژگي‌هاي اضافي يا تكراري است كه بر روي عملكرد الگوريتم‌هاي يادگيري تأثير مي‌گذارد. جهت افزايش كارايي و كاهش هزينه محاسباتي الگوريتم‌هاي يادگيري ماشين، از الگوريتم‌هاي انتخاب ويژگي استفاده مي‌شود كه روش‌هاي متنوعي براي انتخاب ويژگي ارائه شده است. از جمله روش‌هاي انتخاب ويژگي، الگوريتم‌هاي تكاملي هستند كه به دليل قدرت بهينه‌سازي سراسري خود مورد توجه قرار گرفته‌اند. الگوريتم‌هاي تكاملي بسياري براي حل مسئله انتخاب ويژگي ارائه شده كه بيشتر آنها روي فضاي هدف تمركز داشته‌اند. فضاي مسئله نيز مي‌تواند اطلاعات مهمي براي حل مسئله انتخاب ويژگي ارائه دهد. از آنجايي كه الگوريتم‌هاي تكاملي از مشكل عدم خروج از نقطه بهينه محلي رنج مي‌برند، ارائه يك مكانيزم مؤثر براي خروج از نقطه بهينه محلي ضروري است. در اين مقاله از الگوريتم تكاملي PSO با تابع چندهدفه براي انتخاب ويژگي استفاده شده كه در آن يك روش جديد جهش كه از امتياز ويژگي‌هاي ذرات استفاده مي‌كند، به همراه نخبه‌گرايي براي خروج از نقاط بهينه محلي ارائه گرديده است. الگوريتم ارائه‌شده بر روي مجموعه داده‌هاي مختلف تست و با الگوريتم‌هاي موجود بررسي شده است. نتايج شبيه‌سازي‌ها نشان مي‌دهند كه روش پيشنهادي در مقايسه با روش جديد RFPSOFS بهبود خطاي 20%، 11%، 85% و 7% به ترتيب در ديتاست‌هاي Isolet، Musk، Madelon و Arrhythmia دارد.