الگوریتم کلونی مورچگان بهبود یافته برای مسئله انتخاب ویژگی

مسئله ی انتخاب ویژگی در سال های اخیر در حوزه ی داده کاوی و تشخیص الگو در هنگام مواجه شدن با مجموعه داده های با تعداد زیاد متغیر یا ویژگی به صورت گسترده مورد مطالعه قرار گرفته است. تعدد ویژگی ها باعث کند شدن سیستم های تشخیص الگو یا سیستم های دسته بندی، پایین آمدن کارایی و بالا رفتن هزینه ی ساخت چنین سیستم هایی می گردد. روش های انتخاب ویژگی به سه دسته ی کلی تقسیم می شوند. روش های فیلتر که در آن ها از آنالیزهای آماری بدون استفاده از الگوریتم های یادگیری استفاده می شود، روش های راپر که در آن ها از الگوریتم های یادگیری استفاده می گردد و روش های ترکیبی که از مزایای هر دو روش فوق بهره می گیرند. در این تحقیق یک روش ترکیبی جدید مبتنی برالگوریتم کلونی مورچگان بهبود یافته و شبکه های عصبی مصنوعی برای مسئله ی انتخاب ویژگی ارائه می گردد. الگوریتم پیشنهادی بر روی تعدادی از مجموعه داده های معروف در این حوزه اجرا شده است. نتایج بیانگرکارایی بالای آن بر اساس دو معیار صحت دسته بندی و انتخاب زیرمجموعه ای کوچک از ویژگی ها به عنوان ویژگی های برجسته به صورت همزمان است.