در این بخش سورس کد الگوریتم گرگ خاکستری باینری BGWO در متلب قرار داده شده است. الگوریتم گرگ خاکستری اصلی نسخه پیوسته الگوریتم می‌باشد که بیشتر برای مسائل پیوسته بکار می‌رود بنابراین نیاز هست نسخه باینری یا گسسته این الگوریتم برای مسائل گسسته بکار رود بنابراین نسخه الگوریتم گرگ خاکستری گسسته در مقاله‌ای تحت همین نام یعنی Binary Gray Wolf Optimization Approaches for Feature Selection در سال ۲۰۱۵ 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 کرده‌ایم. 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 می‌رویم.

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 می‌شود. در این دیتاست ویژگی‌ها 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 ۲۰۱۴ در مقاله Grey Wolf Optimizer در ژورنال Advances in Engineering Software پایگاه علمی Elsevierارائه شده است. این الگوریتم فراکتشافی یا الگوریتم بهینه سازی بر اساس رفتار و شیوه شکار گرگ‌های خاکستری است. این الگوریتم مبتنی بر جمعیت بوده، فرآیند ساده‌ای 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 گرگ‌های خاکستری در هنگام شکار کردن الهام گرفته است. این الگوریتم مبتنی بر جمعیت بوده، فرآیند ساده‌ای دارد و به سادگی قابلیت تعمیم به مسائل با ابعاد بزرگ را دارد. گرگ‌های خاکستری به عنوان شکارچیان راس یا apex در نظر گرفته می‌شوند، که در بالای هرم زنجیره غذایی هستند.

گرگهای خاکستری ترجیح می‌دهند در یک گروه (دسته) زندگی کنند، هر گروه به طور متوسط ۵-۱۲ عضو دارد. همه اعضای این گروه دارای سلسله مراتب تسلط اجتماعی بسیار دقیق هستند و وظایف خاصی دارند. در هر گله از گرگ‌ها برای شکار کردن ۴ درجه وجود دارد.

• گرگ‌های رهبر گروه alpha نامیده می‌شوند که می‌توانند مذکر یا مونث باشند. این گرگ‌ها بر گله تسلط دارند
• گرگ‌های beta: کمک به گرگ‌های alpha در فرایند تصمیم گیری بوده و همچنین مستعد انتخاب شدن به جای آن‌ها هستند.
• گرگ‌های delta: پایین‌تر از گرگ‌های beta و شامل گرگ‌های پیر، شکارچی‌ها و گرگ‌های مراقبت کننده از نوزادان
• گرگ‌های omega: پایین‌ترین مرتبه در هرم سلسله مراتب که کمترین حق را نسبت به بقیه اعضای گروه دارند. بعد از همه غذا می‌خورند و در فرایند تصمیم گیری مشارکتی ندارند.

برای مشاهده توضیحات بیشتر در این زمینه مقاله‌ای تحت عنوان الگوریتم گرگ خاکستری GWO در این سایت قرار داده شده است که می‌توانید مطالعه کنید.

الگوریتم گرگ خاکستری باینری BGWO

الگوریتم تشریح شده در بخش قبل مربوط به الگوریتم گرگ خاکستری پیوسته CGWO بود. گرگ‌های خاکستری در بهینه سازی پیوسته به طور مداوم موقعیت‌های خود را به هر نقطه از فضای حالت تغییر می‌دهند. در بعضی از مسائل ویژه مانند انتخاب ویژگی‌ها، راه‌حل‌ها به مقادیر باینری صفر و یک محدود می‌شوند که باعث ایجاد نسخه باینری می‌شود. در این بخش، یک بهینه سازی گرگ خاکستری باینری BGWO یا الگوریتم گرگ خاکستری باینری برای کار انتخاب ویژگی ارائه شده است.

معادله گرگ‌ها 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 می‌کند. در bGWO ، مجموعه راه حل‌ها در هر زمان معین به صورت باینری است. برای به روزرسانی موقعیت‌های یک گرگ معین مطابق با اصل الگوریتم گرگ خاکستری اصلی، ضمن حفظ محدودیت باینری می‌توان از دو رویکرد bGWO1 و bGWO2 استفاده کرد.

تصاویر خروجی حاصل از اجرای الگوریتم گرگ خاکستری گسسته

درباره الگوریتم BGWO

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