دانلود ترجمه مقاله الگوریتم ژنتیک باینری آشفته جدید برای انتخاب مشخصه

1. مقدمه 2. مبانی و فرمولاسیون مسئله 3. پژوهش های مرتبط 4. الگوریتم ژنتیک آشفته دودویی پیشنهادی 5. آزمایش ها و نتایج 6. بحث و بررسی 7. نتیجه گیری و جهت گیری های آتی

چکیده – الگوریتم ژنتیک یک الگوریتم الهام گرفته از طبیعت برای تولید بهترین راه حل ممکن با انتخاب متناسب ترین گزینه از مجموعه ای از راه حل های ممکن است. الگوریتم ژنتیک هم مانند بیشتر روش های بهینه سازی می تواند در یک بهینه محلی گرفتار شود و یک راه حل کمتر از بهینه تولید کند. این پژوهش یک بهینه سازی متاابتکاری جدید به نام الگوریتم ژنتیک دودویی آشفته (binary chaotic genetic algorithm) برای بهبود عملکرد الگوریتم ژنتیک ارائه می کند. نقشه های آشفته برای جمعیت اولیه بکار گرفته می شوند و عملیات بازتولید دنبال می شود. برای نمایش این کاربرد، الگوریتم ژنتیک تصادفی دودویی پیشنهادی برای یک کار انتخاب مشخصه از یک پایگاه داده موثر به نام AMIGOS (یک مجموعه داده برای پژوهش تاثیر، شخصیت و حالت بر افراد و گروه ها) و دو مجموعه داده مراقبت سلامت دارای فضای مشخصه بزرگ اعمال می شود. عملکرد الگوریتم ژنتیک تصادفی دودویی با الگوریتم ژنتیک سنتی و دو روش جدید انتخاب مشخصه مقایسه می شود. این مقایسه بر اساس دقت دسته بندی و تعداد مشخصه های انتخاب شده انجام می شود. نتایج آزمایشی قابلیت امید بخش الگوریتم ژنتیک تصادفی دودویی برای یافتن زیرمجموعه مشخصه های بهینه را نشان می دهد که به مقدارهای برازش بهتری می رسد. همچنین نتایج نشان می دهد که نقشه های آشفته، به ویژه نقشه آشفته سینوسی در ارتقاء عملکرد الگوریتم ژنتیک خام، بهتر از نقشه های دیگر عمل می کند. روش پیشنهادی به طور متوسط یک مقدار برازش دو برابر بهتر از مقدار به دست آمده از طریق الگوریتم ژنتیک خام در شناسایی هفت دسته از عواطف به دست می آورد.

Genetic algorithm (GA) is a nature-inspired algorithm to produce best possible solution by selecting the fittest individual from a pool of possible solutions. Like most of the optimization techniques, the GA can also stuck in the local optima, producing a suboptimal solution. This work presents a novel metaheuristic optimizer named as the binary chaotic genetic algorithm (BCGA) to improve the GA performance. The chaotic maps are applied to the initial population, and the reproduction operations follow. To demonstrate its utility, the proposed BCGA is applied to a feature selection task from an affective database, namely AMIGOS (A Dataset for Affect, Personality and Mood Research on Individuals and Groups) and two healthcare datasets having large feature space. Performance of the BCGA is compared with the traditional GA and two state-of-the-art feature selection methods. The comparison is made based on classification accuracy and the number of selected features. Experimental results suggest promising capability of BCGA to find the optimal subset of features that achieves better fitness values. The obtained results also suggest that the chaotic maps, especially sinusoidal chaotic map, perform better as compared to other maps in enhancing the performance of raw GA. The proposed approach obtains, on average, a fitness value twice as better than the one achieved through the raw GA in the identification of the seven classes of emotions.

ترجمه این مقاله در 35 صفحه آماده شده و در ادامه نیز صفحه 16 آن به عنوان نمونه قرار داده شده است که با خرید این محصول می توانید، فایل WORD و PDF آن را دریافت نمایید.