محمد حسین درویشان پور
محمد حسین درویشان پور
خواندن ۶ دقیقه·۱ سال پیش

معرفی دوره آموزشی کاربرد الگوریتم‌های فرااکتشافی

الگوریتم های فرااکتشافی یا فراابتکاری توجه زیادی را در حل مسائل بهینه سازی به دست آورده اند. الگوریتم های فرااکتشافی در حل مسئله انتخاب ویژگی با طبقه بندی باینری، نام طبقه بندی کننده مورد استفاده، مجموعه داده ها و معیارهای ارزیابی آورده شده است.  در این مقاله قصد داریم تا شما را با الگوریتم فرا اکتشافی در انتخاب ویژگی و بهینه سازی ویژگی آشنا کنیم. همچنین لازم است ابتدا با این الگوریتم و ساختارهای آن و سپس با انتخاب ویژگی با الگوریتم فرا اکتشافی آشنا شوید. پس تا انتهای این مطلب همراه ما باشید.

الگوریتم‌های فرااکتشافی چیست؟

الگوریتم‌های فرااکتشافی روش‌های بهینه‌سازی هستند که راه حل بهینه مسائل بهینه‌سازی را به دست می‌آورند. این الگوریتم‌ها تکنیک‌هایی بدون مشتق و دارای سادگی، انعطاف‌پذیری هستند. رفتار الگوریتم‌های فرااکتشافی تصادفی بوده و آن‌ها فرآیند بهینه‌سازی خود را با تولید راه حل‌های تصادفی آغاز می‌کنند. الگوریتم‌های فرا‌اکتشافی به دلیل مفهوم ساده و پیاده‌سازی آسان، انعطاف پذیر و ساده هستند. قابل ذکر است که این الگوریتم‌ها را می توان به راحتی با توجه به مشکل خاص تغییر داد. علاوه بر این، ویژگی اصلی الگوریتم‌های فرااکتشافی این است که توانایی قابل توجهی در جلوگیری از همگرایی زودهنگام الگوریتم‌ها دارند.

با توجه به رفتار تصادفی الگوریتم‌ها، تکنیک‌ها به‌عنوان یک جعبه سیاه، کار و از بهینه‌سازی محلی اجتناب می‌کنند و فضای جستجو را به طور کارآمد و مؤثر بررسی می‌کنند. الگوریتم‌ها بین دو جنبه اصلی آن اکتشاف و بهره‌برداری تفاوت هایی ایجاد می‌کنند. در مرحله اکتشاف، الگوریتم‌ها فضای جستجوی مناسبی را به طور کامل بررسی می‌کنند و بهره‌برداری برای جستجوی محلی مناطق مناسب که در مرحله اکتشاف یافت می‌شوند؛ انجام می‌دهند. می توان گفت آن‌ها با موفقیت در مسائل مختلف مهندسی و علوم اعم از: در مهندسی برق (برای یافتن راه حل بهینه برای تولید برق)، در مهندسی عمران (برای طراحی پل ها، ساختمان ها)، ارتباطات (طراحی رادار، شبکه) و غیره مورد استفاده قرار می‌گیرند.

https://www.aparat.com/v/1zE8s

آشنایی با دسته‌بندی الگوریتم فرااکتشافی

الگوریتم‌های فرااکتشافی مبتنی بر یک راه حل:

این تکنیک‌ها فرآیند بهینه‌سازی خود را با یک راه حل شروع می‌کنند و راه حل آن‌ها در طول تکرارها به روز می‌شود. ممکن است منجر به دام افتادن در Optima محلی شده و همچنین فضای جستجو را به طور کامل بررسی نمی کند.

الگوریتم‌های فرااکتشافی مبتنی بر راه حل جمعیت (چندگانه):

در ابتدا، این الگوریتم‌ها جمعیتی از راه حل‌ها را تولید کرده و فرآیند بهینه‌سازی خود را آغاز می‌کنند. این نوع الگوریتم‌ها برای اجتناب از بهینه‌سازی محلی مفید هستند؛ زیرا توسط راه‌حل‌های متعدد، به یکدیگر کمک کرده و بررسی ها و نتایج زیادی در فضای جستجو دارند. بنابراین، الگوریتم‌های مبتنی بر جمعیت در حل اکثر مسائل دنیای واقعی استفاده می‌شوند.

انتخاب ویژگی چیست؟

انتخاب ویژگی با ویژگی‌های نامناسب، نامربوط یا غیر ضروری سروکار دارد. بهینه‌سازی انتخاب ویژگی، فرآیندی است که بهترین ویژگی‌ها را از مجموعه داده‌ها استخراج می‌کند. انتخاب ویژگی یکی از بحرانی‌ترین و چالش برانگیزترین مشکلات در یادگیری است. کاربردهای مختلف مسئله ی روش‌های انتخاب ویژگی را می‌توان در زمینه‌های مختلف نشان داد. کاربردهایی مانند: مشکلات زیست پزشکی (برای یافتن بهترین ژن از ژن برگزیده)، متن کاوی (برای یافتن بهترین واژه ها یا عبارات)، تجزیه و تحلیل تصویر (برای انتخاب بهترین محتوای بصری پیکسل، رنگ) کارایی بسیار زیادی دارند.

با الگوریتم فرا اکتشافی در انتخاب ویژگی آشنا شوید!

انتخاب ویژگی با الگوریتم فرا اکتشافی در حل مسئله انتخاب ویژگی استفاده شده شده و نمایش بردارهای باینری برای به دست آوردن ویژگی مربوطه در نظر گرفته می شود. در الگوریتم طراحی شده، یک بردار راه حل با (10101100…..) نشان داده می شود که 1 به این معنی است که یک ویژگی خاص انتخاب شده است و 0 به این معنی است که ویژگی در زیر مجموعه انتخاب نشده است. بنابراین این بخش، همه گونه های باینری الگوریتم های فراابتکاری را به طور مفصل بررسی می کند. بخش اول الگوریتم های مبتنی بر تکامل را شرح می دهد. بخش دوم الگوریتم‌های مبتنی بر هوش ازدحام را توصیف می‌کند. بخش سوم الگوریتم‌های مبتنی بر فیزیک را نشان می‌دهد؛ و بخش چهارم برای الگوریتم‌های مرتبط با انسان و بخش آخر مربوط به الگوریتم های ترکیبی است که ترکیبی از دو یا چند الگوریتم فرا ابتکاری است که برای مسائل طبقه بندی استفاده شده است.

آشنایی با انواع الگوریتم فرا اکتشافی در انتخاب ویژگی:

1. الگوریتم های مبتنی بر تکامل

گان و دوان، یک الگوریتم جستجوی دیفرانسیل آشفته را برای پردازش تصویر پیشنهاد کردند و با مهار جانبی برای استخراج لبه و بهبود تصویر، ترکیب شده است. همچنین می توان از این نوع الگوریتم برای تشخیص بیماری عروق کرونر با میانگین c فازی استفاده نمود. علاوه براین ژانگ این نوع الگوریتم را برای پیش‌بینی سرعت باد پیشنهاد کرد که در آن از ماشین یادگیری برای انتخاب ویژگی استفاده شده است. این نوع الگوریتم، با استفاده از یک تابع سیگموئیدی توسعه داده شده که متغیرهای پیوسته را به متغیرهای باینری تبدیل می کند.

2. الگوریتم های مبتنی بر هوش ازدحام

این الگوریتم بر اساس رفتار گروهی مختلف و اصلاح شده برای حل مسائل انتخاب ویژگی می‌باشد. در ادامه با مواردی از این نوع الگوریتم به طور خلاصه آشنا خواهید شد.

  • جستجوی فاخته

الگوریتم جستجوی فاخته با مشاهده رفتار پرندگان فاخته و استراتژی تولید مثل آنها ایجاد شد. این الگوریتم بسیار شناخته شده و محبوب است و در حل مسائل مختلف دنیای واقعی به موفقیت های زیادی دست یافته است.

  • الگوریتم خفاش

از رفتار خفاش ها الهام گرفته شده و در حل مسائل مختلف دنیای واقعی بسیار محبوب است. در حل مسائل انتخاب ویژگی، با تابع سیگموئید برای محدود کردن موقعیت خفاش به متغیرهای باینری انجام می‌شود.

  • الگوریتم کرم شب تاب

مکانیسم جفت گیری کرم شب تاب و تبادل اطلاعات با استفاده از فلاش های نور را تقلید می کند. اولین نسخه باینری الگوریتم کرم شب تاب (FFA) را برای حل مسائل انتخاب ویژگی با استفاده از مقدار آستانه پیشنهاد می‌شود.

  • الگوریتم گرده افشانی گل

FPA از روش گرده افشانی گل ها الهام گرفته شده است. چندین گونه باینری از FPA برای حل مشکل انتخاب ویژگی توسعه داده شده و BFPA با طبقه‌بندی جنگل مسیر بهینه اجرا می‌شود که دقت عملکرد را محاسبه می‌کند.

  • الگوریتم کریل گله

این بر اساس حرکت کریل های قطب جنوب برای جستجوی غذای خود و افزایش تراکم است. این الگوریتم مشکل انتخاب ویژگی را با معرفی نوع باینری الگوریتم KH (BKH) که بردارهای باینری را با ارزیابی عملگر ایجاد می کرد، حل می‌کند‌.

3. الگوریتم های مبتنی بر فیزیک

الگوریتم های مختلفی ساخته شده است که بر اساس قوانین فیزیک است. نسخه‌های باینری الگوریتم‌های مبتنی بر فیزیک که برای مسائل انتخاب ویژگی به کار رفته‌اند.

4. الگوریتم های مرتبط با انسان

خلاصه ای از الگوریتم های مربوط به انسان در حل مسائل انتخاب ویژگی را ارائه می دهد. این الگوریتم به سه نوع الگوریتم تقسیم می شود که می توان به موارد زیر اشاره نمود:

  • بهینه سازی طوفان مغزی
  • بهینه سازی یادگیری مبتنی بر آموزش
  • الگوریتم اشتراک‌گذاری مبتنی بر دانش

5. الگوریتم های فراابتکاری ترکیبی

الگوریتم‌های فراابتکاری ترکیبی، به معنای ترکیب بهترین عملگرها از الگوریتم‌های فراابتکاری مختلف و ایجاد یک الگوریتم پیشرفته جدید است. در سال‌های اخیر، الگوریتم‌های ترکیبی در حل مسائل بهینه‌سازی مورد توجه زیادی قرار گرفته‌اند. به طور خاص، برای مسئله انتخاب ویژگی، بسیاری از الگوریتم های فراابتکاری ترکیبی برای به دست آوردن زیرمجموعه ویژگی‌های مرتبط و بهینه از مجموعه داده اصلی توسعه یافته‌اند.

https://www.aparat.com/v/1JaL0


خرید دوره آموزشی الگورتیم های فراابتکاری

سخن آخر

در مقاله‌ الگوریتم فرا اکتشافی در انتخاب ویژگی به معرفی این الگوریتم و روش های انتخاب ویژگی جهت آشنایی بیشتر شما پرداختیم. الگوریتم فرااکتشافی در واقع نوعی روش بهینه برای مسائل بوده که بسیار انعطاف پذیر و ساده است که در حل بسیاری از مشکلات کارایی بسیاری دارند.

امیدواریم این مطلب برای شما عزیزان بیسیار کارآمد باشد.

الگوریتم‌های فرااکتشافیانتخاب ویژگیالگوریتم های فراابتکاریهوش مصنوعی و رباتیکبرنامه نویسی پایتون
شاید از این پست‌ها خوشتان بیاید