فاطمه دلبری - کارشناسی ارشد مهندسی کامپیوتر گرایش نرم افزار، دانشگاه آزاد اسلامی واحد سبزوار

بنا به ضرورت انتخاب ویژگی و اهمیت آن در جهت کاهش ابعاد داده و به تبع آن پردازش کمتر، ضروری استتا انتخاب های خوبی از ویژگی ها انجام شود تا دقتی در حدود داده های اصلی داشته باشند. لذا با روشهایفراابتکاری سعی در یادگیری انتخاب ویژگی با دقت بالا میباشیم. در این پژوهش با استفاده از الگوریتم بهینهسازی گرگ خاکستری و با انتخاب تصادفی تعدادی از ویژگی ها و تقسیم داده ها به نمونه های آموزشی وتست با یک شبکه عصبی دو لایه مقدار خطای به دست آمده از انتخاب ویژ گی، به عنوان ارزیابی الگوریتم گرگخاکستری در نظر گرفته م یشود. به این شکل گرگ ها به سمت انتخاب های بهینه حرکت میکنند. برای بهبودعملکرد گرگ های خاکستری و ب رای هر تکرار گرگ خا کستری با انتخاب سه راه حل برتر که مربوط به گرگهای آلفا بتا و دلتا می باشند و قرار دادن آن ها به عنوان جمعیت اولیه الگوریتم ژنتیک و اضافه کردن پنج راهحل تصادفی از جمعیت اولیه گرگها الگوریتم ژنتیک را بر روی آن اجرا می کنیم. نتایج این رو ش هیبریدیحاکی از آن است که بهبود قابل ملاحظه ای در مقایسه با روشهای ژنتیک و گرگ خاکستری و گروه ازدحامذرات به دست آمده است.

انتخاب ویژگی، الگوریتم گرگ خاکستری، الگوریتم ژنتیک، شبکه عصبی