جستجو برای انتخاب زیر مجموعه‌های بهینه (نزدیک) در فرآیند انتخاب ویژگی (FS) یک مساله‌ی چالش برانگیز است. در ادبیات، الگوریتم‌های هوش ازدحامی (SI) عملکرد فوق العاده‌ای را در حل این مسائل نشان داده‌اند. این عملکرد باعث شد ما الگوریتم ازدحام سالپ (SSA) که اخیرا پیشنهاد شده است، را مورد آزمایش قرار دهیم. به همین ترتیب، دو رویکرد جدید FS پوششی که از SSA به عنوان استراتژی جستجو استفاده می‌کنند را پیشنهاد می‌دهیم. در اولین رویکرد، هشت تابع انتقال برای تبدیل نسخه پیوسته SSA به دودویی استفاده می‌شود. در رویکرد دوم، عملگر برش علاوه بر تابع انتقال برای جایگزینی عملگر میانگین و بهبود رفتار اکتشافی الگوریتم استفاده می‌شود. روش‌های پیشنهادی در ۲۲ مجموعه داد‌ی شناخته شده‌ی UCI مورد ارزیابی قرار می‌گیرند و نتایج با ۵ روش FS مقایسه می‌شوند: الگوریتم جستجو گرانشی دودویی (BGSA)، الگوریتم خفاش دودویی (BBA)، بهینه‌سازی ذرات دودویی (BPSO) و الگوریتم ژنتیک (GA). در این مقاله همچنین بررسی گسترده‌ای از تنظیم پارامتر برای روش پیشنهادی را در نظر گرفته شده است. از نتایج، مشاهده شده است که رویکرد پیشنهادی به طور قابل توجهی در بیش از ۹۰٪ از مجموعه داده‌ها، نسبت به سایر روش‌ها بهبود داشته است.
لینک‌های دانلود:
