در این بخش سورس کد الگوریتم گرگ خاکستری باینری BGWO در متلب قرار داده شده است. الگوریتم گرگ خاکستری اصلی نسخه پیوسته الگوریتم می باشد که بیشتر برای مسائل پیوسته بکار می رود بنابراین نیاز هست نسخه باینری یا گسسته این الگوریتم برای مسائل گسسته بکار رود بنابراین نسخه الگوریتم گرگ خاکستری گسسته در مقاله ای تحت همین نام یعنی Binary Gray Wolf Optimization Approaches for Feature Selection در سال 2015 برای انتخاب ویژگی منتشر شد. در این بخش ما سورس کد این الگوریتم را برای مسئله انتخاب ویژگی با دسته بندی یا Classfication بر روی دیتاست سرطان سینه ارائه کرده ایم. در ادامه توضیحاتی در مورد این محصول داده خواهد شد.

الگوریتم گرگ خاکستری باینری BGWO در متلب

قبل از پرداختن به سورس کد الگوریتم گرگ خاکستری باینری BGWO در متلب بایستی مقدماتی در مورد الگوریتم دسته بندی KNN، دیتاست سرطان سینه و تئوری الگوریتم گرگ خاکستری باینری بیان شود بنابراین به سراغ بیان مختصری از محصول می رویم.

الگوریتم K همسایه نزدیک یا KNN

روش k همسایه‌ نزدیک K Nearest Neighbors یا (KNN) یک روش یادگیری موردی ‌است و از جمله ساده‌ترین الگوریتم‌های یادگیری ماشین می‌باشد که به روش K نزدیک ترین همسایه نیز معروف است. در این الگوریتم یک نمونه با رای اکثریت از همسایه‌هایش دسته‌بندی می‌شود و این نمونه در عمومی‌ترین کلاس مابین k همسایه نزدیک تعیین می‌شود. K یک مقدار مثبت صحیح و عموماً کوچک است. اگر k=1 باشد نمونه به سادگی در کلاس همسایگان نزدیکش تعیین می‌گردد. فرد بودن مقدار k مفید می‌باشد چون با این کار جلوی آراء برابر گرفته می‌شود.

روش k همسایه‌ نزدیک، برای بسیاری از روش‌ها کاربرد دارد، زیرا اثربخش، غیرپارامتریک و دارای پیاده‌سازی راحت می‌باشد. با این حال زمان دسته‌بندی‌اش طولانی است و یافتن مقدار k بهینه مشکل است. بهترین انتخاب از k، وابسته به داده‌ها می‌باشد به طور کلی مقدار بزرگ از k اثر نویز روی دسته‌بندی را کاهش می‌دهد، اما مرز مابین کلاس‌ها کمتر متمایز می‌شود.

دیتاست سرطان سینه

به عنوان یک نمونه دیتاست مورداستفاده مجموعه داده بیماران سرطان سینه موجود در مخزن داده‌ی یادگیری ماشین دانشگاه ارواین، ایالت کالیفرنیا آمریکا (University of California at Irvine) است مثال زده می شود. در این دیتاست ویژگی ها شامل ریسک فاکتورهای ضخامت انبوه، یکنواختی اندازه سلول، یکنواختی شکل سلول، چسبندگی لبه‌ها، حجم سلول بافت اپیتلیال، هسته‌های عریان، کروماتین بلاند، هسته عادی و تقسیم هسته سلول به دو قسمت می‌باشد که در ایالت ویسکانسین ایالات‌متحده جمع‌آوری‌شده است. جدول زیر نشان‌دهنده این مجموعه از داده است.

الگوریتم گرگ خاکستری

الگوریتم گرگ خاکستری Grey Wolf Optimizer یا به اختصار GWO توسط سید علی میرجلیلی (Seyedali Mirjalili) در سال 2014 در مقاله Grey Wolf Optimizer در ژورنال Advances in Engineering Software پایگاه علمی Elsevier ارائه شده است. این الگوریتم فراکتشافی یا الگوریتم بهینه سازی بر اساس رفتار و شیوه شکار گرگ های خاکستری است. این الگوریتم مبتنی بر جمعیت بوده، فرآیند ساده ای دارد و به سادگی قابلیت تعمیم به مسائل با ابعاد بزرگ را دارد.

الگوریتم گرگ خاکستری GWO از ساختار سلسله مراتبی hieratical و رفتار اجتماعی گرگ های خاکستری در هنگام شکار کردن الهام گرفته است. این الگوریتم مبتنی بر جمعیت بوده، فرآیند ساده ای دارد و به سادگی قابلیت تعمیم به مسائل با ابعاد بزرگ را دارد. گرگ های خاکستری به عنوان شکارچیان راس یا apex در نظر گرفته می شوند، که در بالای هرم زنجیره غذایی هستند. گرگهای خاکستری ترجیح می دهند در یک گروه (دسته) زندگی کنند، هر گروه به طور متوسط 5-12 عضو دارد. همه اعضای این گروه دارای سلسله مراتب تسلط اجتماعی بسیار دقیق هستند و وظایف خاصی دارند. در هر گله از گرگ ها برای شکار کردن ۴ درجه وجود دارد.

• گرگ های رهبر گروه alpha نامیده می شوند که می توانند مذکر یا مونث باشند. این گرگ ها بر گله تسلط دارند
• گرگ های beta: کمک به گرگ های alpha در فرایند تصمیم گیری بوده و همچنین مستعد انتخاب شدن به جای آن ها هستند.
• گرگ های delta: پایین تر از گرگ های beta و شامل گرگ های پیر، شکارچی ها و گرگ های مراقبت کننده از نوزادان
• گرگ های omega: پایین ترین مرتبه در هرم سلسله مراتب که کمترین حق را نسبت به بقیه اعضای گروه دارند. بعد از همه غذا می خورند و در فرایند تصمیم گیری مشارکتی ندارند.

برای مشاهده توضیحات بیشتر در این زمینه مقاله ای تحت عنوان الگوریتم گرگ خاکستری GWO در این سایت قرار داده شده است که می توانید مطالعه کنید.

الگوریتم گرگ خاکستری باینری BGWO

الگوریتم تشریح شده در بخش قبل مربوط به الگوریتم گرگ خاکستری پیوسته CGWO بود. گرگ های خاکستری در بهینه سازی پیوسته به طور مداوم موقعیت های خود را به هر نقطه از فضای حالت تغییر می دهند. در بعضی از مسائل ویژه مانند انتخاب ویژگی ها، راه حل‌ها به مقادیر باینری صفر و یک محدود می شوند که باعث ایجاد نسخه باینری می شود. در این بخش، یک بهینه سازی گرگ خاکستری باینری BGWO یا الگوریتم گرگ خاکستری باینری برای کار انتخاب ویژگی ارائه شده است. معادله گرگ ها به روزرسانی تابعی از سه بردار موقعیتی یعنی Xalpha،Xbeta و Xdelta است که هر گرگ را به سمت اولین سه راه حل برتر جذب می کند. در bGWO ، مجموعه راه حل ها در هر زمان معین به صورت باینری است. برای به روزرسانی موقعیت های یک گرگ معین مطابق با اصل الگوریتم گرگ خاکستری اصلی، ضمن حفظ محدودیت باینری می توان از دو رویکرد bGWO1 و bGWO2 استفاده کرد.

تصاویر خروجی حاصل از اجرای الگوریتم گرگ خاکستری گسسته

ویدئوی معرفی

درباره الگوریتم BGWO

سورس کد الگوریتم گرگ خاکستری باینری BGWO در متلب عنوان محصولی است که در این پست به آن پرداخته شده است. محصول در نرم افزار متلب نوشته شده و برای انتخاب ویژگی از دیتاست تشخیص سرطان سینه با الگوریتم BGWO می باشد. این سورس کد بصورت کامل توسط گروه پشتیبانی پی استور تست و اجرا شده است. محصول دارای نشان تضمین کیفیت پی استور می باشد. برای دانلود محصول آن را خریداری کنید.

مباحث مرتبط در حوزه الگوریتم GWO