الگوریتم بهینه سازی گرگ خاکستری با روش دودویی برای انتخاب ویژگی

ترجمه مقاله الگوریتم بهینه سازی گرگ خاکستری با روش دودویی

ترجمه مقاله Binary grey wolf optimization approaches for feature selection

در این بخش ترجمه مقاله الگوریتم بهینه سازی گرگ خاکستری با روش دودویی برای انتخاب ویژگی را برایتان آماده کردیم که علاوه بر چکیده و مقدمه می توانید خود مقاله اصلی را نیز به صورت کاملا رایگان دانلود نمایید.

چکیده مقاله

در مورد الگوریتم بهینه ‌سازی گرگ خاکستری می توان گفت که یکی از جدیدترین روش ‌های بهینه ‌سازی بر گرفته از زیست است، که پیاده سازی فرآیند شکار گرگ خاکستری در طبیعت است. نسخه دودویی ارائه شده در اینجا به وسیله دو روش مختلف نشان داده شده است. در مرحله اول، قدم های فردی به سمت اولین سه بهترین جواب ‌ها حرکت می کند و سپس برنامه برش بر روی سه حرکت اصلی برای بروز رسانی موقعیت گرگ ‌های خاکستری دودویی انجام می‌شود.

در مرحله دوم، از تابع sigmoidal برای به هم‌ کوبیدن موقعیت پشت سر هم بروز شده گرگ استفاده شده است، سپس از حد آستانه‌ تصادفی این ارزش ‌ها به منظور بروز رسانی‌ موقعیت الگوریتم گرگ خاکستری دودویی استفاده شده است. این دو مرحله برای بهینه ‌سازی الگوریتم گرگ خاکستری دودویی در دامنه‌ی انتخاب ویژگی برای پیدا کردن زیر مجموعه‌ای از خصوصیات با حداکثر صحت و دقت طبقه‌ بندی و حداقل تعداد خصوصیات ‌های انتخاب شده، طراحی شده است.

نسخه‌ی دودویی ارائه شده با دو مورد از بهینه ‌ساز های مشترک در این زمینه یعنی الگوریتم ‌ژنتیک و بهینه ‌ساز ازدحام ذرات مقایسه شده است. گروهی از شاخص ‌ها برای مقایسه و ارزیابی و روش ‌های متفاوت بر روی بیش از 18 مجموعه داده‌ی متعدد از مخزن UCI مورد استفاده قرار گرفته نتیجه به دست آمده، توانایی ‌های نسخه دودویی الگوریتم بهینه ‌سازی گرگ خاکستری پیشنهادی (bGWO) در پیدا کردن فضای ویژگی برای ترکیب خصوصیات های بهینه، صرف ‌نظر از کارگرد ‌های تصادفی استفاده شده و مقداردهی اولیه را اثبات می‌کند.

مقدمه

انتخاب ویژگی یک راه برای شناخت خصوصیات های مهم و از بین بردن خصوصیات های اضافی از مجموعه داده را فراهم می‌کند. هدف از انتخاب ویژگی، بهبود کارکرد پیش‌بینی و درک اطلاعات صحیح برای برنامه ‌های مختلف یادگیری ماشین و کم کردن ابعاد داده است. در برنامه‌ های کاربردی دنیای واقعی، نشان دادن اطلاعات با استفاده از خصوصیات ‌های بسیاری با خصوصیات ‌های افزونگی انجام می‌شود، که به این معناست که خصوصیات‌ های معین می‌تواند نقش دیگری داشته باشد و خصوصیات ‌های غیر ضروری می‌تواند از بین برود. علاوه بر این، خصوصیات ‌های مربوطه در خروجی شامل اطلاعات مهمی است که اگر هر یک از آن‌ ها کنار گذاشته شوند، پیچیده خواهد بود.

چکیده انگلیسی

In this work, a novel binary version of the grey wolf optimization (GWO) is proposed and used to select optimal feature subset for classification purposes. Grey wolf optimizer (GWO) is one of the latest bio-inspired optimization techniques, which simulate the hunting process of grey wolves in nature. The binary version introduced here is performed using two different approaches. In the first approach, individual steps toward the first three best solutions are binarized and then stochastic crossover is performed among the three basic moves to find the updated binary grey wolf position. In the second approach, sigmoidal function is used to squash the continuous updated position, then stochastically threshold these values to find the updated binary grey wolf position.

The two approach for binary grey wolf optimization (bGWO) are hired in the feature selection domain for finding feature subset maximizing the classification accuracy while minimizing the number of selected features. The proposed binary versions were compared to two of the common optimizers used in this domain namely particle swarm optimizer and genetic algorithms. A set of assessment indicators are used to evaluate and compared the different methods over 18 different datasets from the UCI repository. Results prove the capability of the proposed binary version of grey wolf optimization (bGWO) to search the feature space for optimal feature combinations regardless of the initialization and the used stochastic operators.

منبع : sciencedirect.com