استفاده از الگوریتم بهینه سازی گراویتی به منظور کاهش ابعاد در داده هایی با ابعاد بالا

عصر حاضر، با پیشرفت های چشمگیر در زمینه تکنولوژی و افزایش آگاهی انسان از محیط اطراف، ما شاهدرشد سریع حجم داده ها هستیم که این امر، نیاز به یافتن استراتژی های نوآورانه برای مدیریت آنها را برایدانشمندان بیش از پیش حائز اهمیت میسازد. در این راستا، چالش “نفرین بعد” به عنوان یک مسئله رایج درمقابل پژوهشگران قرار دارد که در آن، فضای ویژگی با بعدهای بالا منجر به افزایش تعداد پارامترهای قابلتخمین می گردد. الگوریتم های نوآورانه مانند الگوریتم گراویتی به عنوان راهکارهای پیشنهادی برای بهینه سازیدر فضاهای با بعدهای بالا شناخته میشوند، اما به تنهایی کافی نبوده و نمیتوانند به صورت مستقل مسئله راحل کنند. در این تحقیق، روش جدید و پیشرفت های برای بهینه سازی در فضاهای با بعدهای بالاتر با استفاده ازبهبود عملکرد الگوریتم گراویتی ارائه شده است. روش پیشنهاد شده در این مقاله، استفاده از تلفیق الگوریتمگراویتی با روش های تکاملی همکارانه موجود عالی عمل کند. همچنین، نتایج آزمون دوم نشان دهنده کارآمدی قابل تحسینالگوریتم جدید در تابع های محک خاص است

کلیدواژه ها:

الگوریتم گراویتی ، کاهش ابعاد ، توابع محک