تعاونی نیرومندسازی تحقیقات جامع ترین مرجع دانلود تحقیق، مقاله، سمینار و پایان نامه
چکیده
در این مقاله یک ترکیب الگوریتم ژنتیک جدید برای انتخاب ویژگی پیشنهاد شده است. در این نوشتار اقدامات جستجوی محلی ابداع شده و Gaهای ترکیبی برای یکپارچه شدن تحقیق گنجانده شده اند. اقدامات مذکور از نظر قدرت یکپارچه سازی پارامتری شده و کارایی و الزامات مربوط به زمان بندی تحلیل و مقایسه شده اند.
تکنیک ترکیب بندی دو تاثیر مطلوب دارد: بهبود قابل توجه عملکرد نهایی و کسب کنترل زیر مجموعه .
Gaهای ترکیبی، در مقایسه با Gaها کلاسیک، خواص همگرایی بهتری نشان دادند. روشی برای آنالیز قوی زمان بندی به منظور مقایسه، الزامات زمان بندی معمولی و الگوریتم پیشنهاد شده ارائه شده است. آزمایشات انجام شده با مجموعه داده های استاندارد مختلف اشکار کرد که GAترکیبی پیشنهادی را نسبت به GA ساده و الگوریتم جستجوی متوالی پیشنهاد داد.
کلمات خاص: انتخاب ویژگی ، الگوریتم ژنتیک ترکیبی، الگوریتم جستجوی متوالی، عملیات جستجوی محلی، عملیات اتمی، الگوریتم چندآغازی.
- معرفی
انتخاب ویژگی یک مسئله انتخاب یک زیر مجموعه از ویژگیهای d از مجموعه ای از ویژگیهای D بر اساس برخی ملاکهای بهینه سازی است. هدف اصلی از انتخاب ویژگی، طراحی یک طبقه بند فشرده تر با حداقل افت عملکرد است. ویژگی های حذف شده باید بی فایده و زاید یا با کمترین استفاده احتمالی باشد. این به خوبی شناخته شده است که، برای یک مسئله کوچک اما نه بی اهمیت ، راه حل بهینه از نظر محاسباتی به خاطر فضای تحقیقاتی به دست امده، قابل پیگیری است و از این روهمه الگوریتم های موجود عمدتا منجر به راه حلهای نیمه بهینه می شوند. مطالب در مورد موضوع انتخاب ویژگی فراوان است که متون اموزشی مطلوبی را شامل می شود، مجموعه ای از الگوریتمهای انتخاب ویژگی و [9][13] و مطالعات تطبیقی ارائه می دهند.[5][9][12]
به تازگی، افزایش علاقه در انتخاب ویژگی به چند دلیل افزایش یافته است. اولا ، برنامه های جدیدی در رابطه با مقادیر زیادی از داده ها ارائه شده اند، مانند داده کاوی [24][17]، بازیابی اطلاعات چند رسانه ای، [15][16][18] و پردازش داده های پزشکی.[26] از آنجایی که پردازش سریع حجم زیادی از داده ها در این برنامه ها و به منظور پردازش در زمان واقعی و یا ارائه پاسخ سریع به کاربران بسیار مهم است ، محدود کردن تعداد ویژگی های نیازی بسیار مهم است. انتخاب ویژگی زمانی پیش شرط لازم است که از مجموعه های متعدد از ویژگی ها استفاده می کند، زیرا برای پردازش های بعدی مربوط به طبقه بندی یا دسته بندی مورد نیاز است. برخی از نمونه ها در این رابطه عبارتند از: تفسیر عکس هوایی[7] ، ارتباط در تصویر استریو [8] ، و تشخیص دست خط [22].
در میان طبقه بندی های مختلف از الگوریتم انتخاب ویژگی، الگوریتم ژنتیکی (GA) یک ابداع نسبتا جدید است. GA از بیولوژیک الهام گرفته شده است و مکانیزم های زیادی دارد که از از تکامل طبیعی تقلید میکند.[6] این یک مقدار زیادی پتانسیل در بهینه سازی علمی و مهندسی یا مسائل جستجو می باشد. علاوه بر این، GA به طور طبیعی قابل انطباق بر انتخاب ویژگی دارد زیرا مسئله فضای جستجوی نمایی دارد. کار پیشروی Siedlecki و sklansky شواهدی در مورد برتری GA در مقایسه با الگوریتم های کلاسیک دیگر ارائه داد[29]. پس از آن، مقالات بسیاری در مورد مزایای GA برای انتخاب ویژگی منتشر شده اند[30][13][27][1] . اگرچه آنها داده های تجربی در جهت حمایت از GA ارائه داده اند، ولی مقالاتی شامل مطالعات تطبیقی استدلال رضایت بخش ارائه نمی دهند. بررسی مطالعات تطبیقی و نتایج تجربی ما نشان میدهد که، تا به امروز، الگوریتم SFFS (sequential floating forward search) در میان الگوریتم های جستجوی ترتیبی بهترین است، اما بین GA و SFFS نمی توان گفت که کدام یک بهتر از دیگری است. بررسی و نظرات ما در مورد مطالعات قبلی در بخش 2.3 آورده شده است.
دلیل اصلی تناقضات فوق ناشی از طبیعت ذاتی خود GA است، واقعیت ان است که انواع و پارامترهای زیادی باید برای دستیابی به عملکرد خوب یا معقول به درستی به کار گرفته شوند. بررسی ما نشان می دهد که مشخصات اجرای GA که در مقالات ارائه شده است، برای خوانندگانی که کدهای برنامه می پردازند را بازتولید می کنند، ناکافی است.
محدودیت های مربوط به GA ساده یا خالص (SGA) در بسیاری از برنامه ها کشف شده اند. در شرایط عادی، راه حل های ارائه شده توسط یک GAساده به احتمال زیاد در مقایسه با الگوریتم های کلاسیک بسیار پایین تر یا غیر قابل مقایسه هستند. یک راه عملی و موثر برای غلبه بر این محدودیت هیبرید کردن GA گنجاندن دانش مربوط به دامنه خاصی است. سه راه ترکیب کردن (هیبرید کردن) در [4]پیشنهاد شده است: رمز گذاری مخصوص مسئله، استفاده از عملگرهای ژنتیکی خاص و گنجاندن ویژگی های خوب الگوریتم های کلاسیک. GAترکیبی (HGA) که از این اصول پیروی می کنند، در زمینه های کاربردی متنوع گسترش یافته اند و عملکرد موفقیت آمیزی به دست اورده اند.[10][2][32]
پکیج کامل شامل:
اصل فایل انگلیسی مقاله (دانلود مقاله)
Hybrid Genetic Algorithms for Feature Selection
Hybrid Genetic Algorithms for Feature Selection
Il-Seok Oh, Member, IEEE, Jin-Seon Lee, and Byung-Ro Moon, Member, IEEE
Abstract—This paper proposes a novel hybrid genetic algorithm for feature selection. Local search operations are devised and
embedded in hybrid GAs to fine-tune the search. The operations are parameterized in terms of their fine-tuning power, and their
effectiveness and timing requirements are analyzed and compared. The hybridization technique produces two desirable effects: a
significant improvement in the final performance and the acquisition of subset-size control. The hybrid GAs showed better
convergence properties compared to the classical GAs. A method of performing rigorous timing analysis was developed, in order to
compare the timing requirement of the conventional and the proposed algorithms. Experiments performed with various standard data
sets revealed that the proposed hybrid GA is superior to both a simple GA and sequential search algorithms.
ترجمه مقاله
الگوریتم های ژنتیکی ترکیبی برای انتخاب ویژگی
فایل ورد 29 صفحه
بهمراه کد پیاده سازی مقاله
