دانشگاه آزاد اسلامی سبزوار - جستجو در پایان‌نامه‌ها

پایان‌نامه‌ی کارشناسی ارشد: فاطمه دلبری، ۱۳۹۷

انتخاب ویژگی با الگوریتم گرگ خاکستری دودویی

بنا به ضرورت انتخاب ویژگی و اهمیت آن در جهت کاهش ابعاد داده و به تبع آن پردازش کمتر ضروری است تا انتخاب هاب خوبی از ویژگی ها انجام شود تا دقتی در حدود داده های اصلی داشته باشند. لذا با روش های فراابتکاری سعی در یادگیری انتخاب ویژگی با دقت بالا می باشیم. در این پژوهش با استفاده از الگوریتم بهینه سازی گرگ خاکستری عامل های جستجو همان ویژگی های داده می باشند که با انتخاب تصادفی تعدادی از ویژگی ها و تقسیم داده هابه نمونه های آموزشی و تست با یک شبکه عصبی دو لایه مقدار خطای به دست آمده از انتخاب ویزگی را به عنوان ارزیابی الگوریتم گرگ خاکستری در نظر گرفته می شود. به این شکل گرگ ها به سمت انتخاب های بهینه تر حرکت می کنند. برای بهبود عملکر گرگ های خاکستری و برای هر تکرار گرگ خاکستری با انتخاب سه راه حل برتر که مربوط به گرگ های الفا بتا و دلتا می باشند و قرار دادن آن ها به عنوان جمعیت اولیه الگوریتم ژنتیک و اضافه کردن پنج راه حل تصادفی از جمعیت اولیه گرگ ها الگوریتم ژنتیک را بر روی آن اجرا می کنیم. نتایج این روش هیبریدی حاکی از آن است که بهبود قابل ملاحظه ای در مقایسه با روش های ژنتیک و گرگ خاکستری و گروه ذرات به دست آمده است

کلیدواژه‌ها: الگوریتم_بهینه سازی_گرگ خاکستری

M.A. Thesis:

Feature selection with binary gray wolf optimization

It is necessary to select the feature and its importance to reduce the size of the data, and consequently, less processing is necessary to select a good hub of the features in order to be accurate in the range of the main data. Therefore, we try to learn high-precision feature selection with meta-burgh methods. In this study, using the gray wolf optimization algorithm, the search agents have the same data characteristics that by randomly selecting a number of features and dividing the data as training and testing samples with a two-layer neural network, the amount of error obtained from the selection Wizard is considered as the evaluation of the gray wolf algorithm. In this way, wolves move towards more optimal choices. To improve the performance of the gray wolves and for each one of the gray wolves, select the top three solutions that are related to the alpha beta and delta wolves and put them as the initial population of the genetic algorithm and add five random methods from the initial population Wolves run the genetic algorithm on it. The results of this hybrid method show that there is a significant improvement in comparison with the genetic methods and gray wolves and the particle group.

Keywords: performance _gray wolves