بهینه سازی الگوریتم کلونی مورچگان برای انتخاب ویژگی با متلب

پروژه بهینه سازی الگوریتم کلونی مورچگان با MATLAB

پیاده سازی مقاله Relevance–redundancy feature selection based on ant colony optimization

در این پست پروژه بهینه سازی الگوریتم کلونی مورچگان برای انتخاب ویژگی با متلب به همراه ترجمه مقاله و داکیومنت (توضیح خط به خط کدها) را با عنوان مقاله Relevance–redundancy feature selection based on ant colony optimization آماده کرده ایم که با استفاده از کتابخانه عمومی GUI طراحی و پیاده سازی شده است. در ادامه به شرح مختصری از این پروژه الگوریتم فرا ابتکاری و هوشمند پرداخته و فیلم (چند دقیقه از فیلم آموزشی پروژه) و تصاویر از خروجی آن را قرار داده ایم. مقاله اصلی نیز به صورت رایگان قابل دانلود است.

مرحله اولیه این برنامه، مربوط به الگوریتم مورچگان می باشد که داده های موجود در دیتاسیت های ویژگی اماده را دریافت کرده و در پایان اجرای الگوریتم، به هر یک از ویژگی ها (فیوچرها) یک مقدار برازندگی تخصیص میدهد، بگونه ای که تعدادی از ویژگی ها دارای ارزش عددی بیشتر نسبت به ویژگی های دیگر می گردد، پس از این مرحله نسبت خاصی از ویژگی های کلی را بر اساس برازندگی عددی آنها انتخاب می کنیم.

به طور مثال، اگر ما 9 ویژگی داشته باشیم، بعد از امتیاز دهی توسط الگوریتم مورچگان، تعداد 60% از کل ویژگی ها که 5 می شود، را انتخاب می کنیم تا برای خوشه بندی از طریق یکی از الگوریتم های خوشه بندی SVM و DT مورد استفاده قرار گیرد.

توضیحات بیشتر، دانلود رایگان مقاله، فیلم و تصاویری از خروجی پروژه بهینه سازی الگوریتم کلونی مورچگان برای انتخاب ویژگی با متلب در ادامه مطلب.

در این پروژه بهینه سازی الگوریتم کلونی مورچگان به طور کلی، دو نسخه از الگوریتم مورچگان مورد استفاده قرار گرفته است که تفاوت انها در انتخاب عدد r (برازندگی اولیه) و نحوه جستجو می باشد که در متن برنامه به انها اشاره شده است. خروجی برنامه نرخ خطا می باشد، اما در این پروژه مقادیر خام دقت کلاس بندی نیز قابل استفاده می باشد.

محیط گرافیکی پروژه بهینه سازی الگوریتم کلونی مورچگان :

برنامه به شکل یک نرم افزار کاملا گرافیکی طراحی و اجرا شده است و دارای دو عدد منو می باشد که اولی برای انتخاب تعدادی ویژگی از هر کدام از دیتاست های موجود و سپس تعیین نرخ خطا برای هر یک از نسخه های الگوریتم مورچگان مورد استفاده قرار گرفته است و دومی برای انتخاب تعداد ویژگی های متوالی برای تک تک دیتاست ها به شکل آپشن و سپس تعیین نرخ خطای هر یک، بر اساس تعداد ویژگی ها به ازای نسخه اول و دوم، استفاده شده است.

توضیحات بیشتر و تحلیل کدها، در داکیومنت آمده است.

برخی از تصاویر خروجی بهینه سازی الگوریتم کلونی مورچگان برای انتخاب ویژگی با متلب :

تصویر خروجی 1:

تصویر خروجی 2:

تصویر خروجی 3:

تصویر خروجی 4: