الگوریتم کلونی زنبور عسل اصلاح شده و کاربرد آن در کاهش ابعادداده های بیوانفورماتیک

علم بیوانفورماتیک سعی دارد تا با پردازش داده های بیوانفورماتیک موجود در پایگاه های داده به مسایل علوم زیست شناسی به ویژه در علوم سلولی و ملکولی پاسخ دهد. اغلب چنین تجزیه و تحلیلی، به علت حجم زیاد دادهها با مشکل افزایش پیچیدگی و هزینه محاسبات مواجه است از طرفی همه ی ویژگیهای دادههای یک مجموعه داده، نقش موثری بر نتیجه ندارند؛ بنابراین یک روش جهت حل این مشکل میتواند حذف ویژگیهایی باشد که تاثیر کمتری روی نتیجه دارند. بدین منظور در این تحقیق، ترکیبی از دو الگوریتم کلونی زنبور عسل اصلاح شده MABC و K نزدیکترین همسایگی KNN را برای کاهش ابعاد داده، استفاده کردهایم. الگوریتم کردهایم. الگوریتم یک زیرمجموعه بهینه از ویژگی ها را انتخاب می کند که هدف مجموعه اصلی را در بر می گیرد. سپس، الگوریتم KNN برای محاسبه برازندگی زیر مجموعه انتخاب شده در چهارچوب الگوریتم MABC استفاده می شود. ارزیابی روش پیشنهادی بر روی دامنه کاربردی تحلیل بیان ژن انجام گرفته و با روش ABC-KNN مقایسه شده است. نتایج حاکی از این است که این روش می تواند با حفظ معنی و ارزش مجموعه داده اصلی، یک زیر مجموعه با تعداد ویژگی های کمتر را انتخاب کند.

کلیدواژه ها:

کاهش ابعاد داده ، الگوریتمK ، نزدیکترین همسایگی ، انتخاب ویژگی ، مسایل دسته بندی