در این تحقیق یک مدل باینری(دودویی) از الگوریتم بهینه‌سازی ملخ(GOA) برای انتخاب ویژگی پیشنهاد شده است. برای تبدیل حالت پیوسته به دودویی از تابع انتقال S شکل(سیگموئید) استفاده شده است. برای طبقه‌بندی نمونه‌ها از الگوریتم k نزدیکترین همسایه(KNN) استفاده شده است. شبیه‌سازی الگوریتم بهینه‌سازی ملخ باینری در محیط متلب 2018 برروی هفت مجموعه داده استاندارد UCI انجام شده است. نتایج الگوریتم بهینه‌سازی ملخ باینری با الگوریتم تبرید شبیه‌سازی شده(Simulated Annealing) مقایسه شده است. مقایسه‌ها برمبنای درصد صحت، تعداد ویژگی‌های انتخاب شده و تابع برازندگی انجام شده است.
برچسب ها:
انتخاب ویژگی الگوریتم بهینه‌سازی ملخ باینری k نزدیکترین همسایه همگرایی بهینه‌سازی مسائل