انتخاب دودویی

In this work, a novel binary version of the grey wolf optimization (GWO) is proposed and used to select optimal feature subset for classification purposes. Grey wolf optimizer (GWO) is one of the latest bio-inspired optimization techniques, which simulate the hunting process of grey wolves in nature. The binary version introduced here is performed using two different approaches. In the first approach, individual steps toward the first three best solutions are binarized and then stochastic crossover is performed among the three basic moves to find the updated binary grey wolf position. In the second approach, sigmoidal function is used to squash the continuous updated position, then stochastically threshold these values to find the updated binary grey wolf position.The two approach for binary grey wolf optimization (bGWO) are hired in the feature selection domain for finding feature subset maximizing the classification accuracy while minimizing the number of selected features. The proposed binary versions were compared to two of the common optimizers used in this domain namely particle swarm optimizer and genetic algorithms. A set of assessment indicators are used to evaluate and compared the different methods over 18 different datasets from the UCI repository. Results prove the capability of the proposed binary version of grey wolf optimization (bGWO) to search the feature space for optimal feature combinations regardless of the initialization and the used stochastic operators.

الگوریتم‌های فراابتکاری

چرا ترجمه الگوریتم‌ها و مقالات در حوزه بهینه‌سازی و فراابتکاری را از سایت الگوریتم‌های فراابتکاری تهیه کنیم.

۱. یک تیم تخصصی که اکثر دانشجو علوم کامپیوتر هستند به ترجمه تخصصی می‌پردازند.

۲. در فایل ترجمه، کلیه نکات نگارشی ترجمه رعایت شد و کلمات تخصصی مقاله نیز در قالب footnotes ارائه شده است.

۳. کلیه فرمول نویسی‌های مقالات تایپ شده است.

۴. قیمت ترجمه و گزارشات نسبت به بقیه سایت‌ها با توجه به محتوای ارائه شده خیلی پایین‌تر است.

۵. اکثر سایت‌های زرد با خرید محتوای ترجمه سایت ما، ترجمه را با قیمت‌های بالاتر و در دو حالت pdf و word در حال فروش هستند که با توجه به تاریخ انتشار پست بر روی سایت ما، شناسایی چنین سایت‌هایی چندان سخت نیست.

۶. کد‌های پیاده‌سازی با قیمتی بسیار ناچیز و کامل همراه با توضیح بر روی سایت قرار دارد.

۷. اسلایدها همراه با note بسیار زیبا و اکادمیک و براساس محتوای مقاله تنظیم شده است درحالی که سایت‌های دیگر فقط محصول ما را ارائه می‌دهند.

۸. در ایران حق کپی رایت هنوز برای محصولات دیجیتالی فرهنگ‌سازی نشده است ولی اعضای تیم الگوریتم‌های فراابتکاری همچنان برای کمک به دانشجویان محصولات خود را بدون هیچ محدودیتی ارائه می‌دهد و بر این عزم استوار است که دانشجو نباید خود را درگیر ترجمه کند و باید تمرکز خود را در راستای مطالعه و بهبود مقالات قرار دهد، تا زمان سوخته نداشته باشد.

۹. تمام مقالات و الگوریتم‌ها به صورت ماهانه با توجه به مناسبت‌ها دارای کدهای تخفیف ۲۰ الی ۵۰ درصدی می‌باشند که از طریق کانال تلگرامی اطلاع‌رسانی می‌شود.

۱۰. تعداد خرید مقالات و الگوریتم‌ها در صفحه اول سایت موجود می‌باشد. که گویا کیفیت کار ماست.

الگوریتم گرگ خاکستری باینری BGWO در متلب

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.

برنامه‌نویس: تیم برنامه نویسی پی استور

متشکل از اساتید و فارغ التحصیلان رشته های فنی - مهندسی

تیم برنامه نویسی پی استور یکی از انتخاب دودویی اولین گروه های تشکیل شده در مجموعه آموزشی پی استور می باشد. این تیم از اساتید مجرب و فارغ التحصیلان رشته های فنی و مهندسی تشکیل شده که در زمینه های مختلف برنامه نویسی و تهیه سورس کد فعال هستند.

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 انتخاب دودویی 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.

سورس کد الگوریتم گرگ خاکستری باینری BGWO در متلب

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 انتخاب دودویی 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

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.

انتخاب دودویی

یکی از راه حلهای عمومی کنترل کیفیت در مورد مسائلی که از جنس انتخاب دودویی یا انتخاب چندتایی هستند. more یکی از راه حلهای عمومی کنترل کیفیت در مورد مسائلی که از جنس انتخاب دودویی یا انتخاب چندتایی هستند روش رأی اکثریت است که طبق آن از چندین کارگر خواسته می شود به یک مسئله یکسان پاسخ دهند که پاسخ درست، پاسخی است که بیشترین فراوانی را داشته باشد

در شبکه های اجتماعی و به خصوص در سازمانها دامنه تخصص یک فرد تنها به خودش محدود نمی شود بلکه شامل . more در شبکه های اجتماعی و به خصوص در سازمانها دامنه تخصص یک فرد تنها به خودش محدود نمی شود بلکه شامل تخصص افراد دیگری که او امکان بهره گیری از آنها را دارد نیز می شود. برای مثال در یک سازمان، تواناییهای یک مدیر به چگونگی استفاده از مهارت و تخصص خودش و کارمندان زیر مجموعه اش بستگی دارد. یک سیستم کارگزینی ایده آل، سیستمی است که وظایف را به بیشترین تعداد از متقاضیان کار بسپارد اما چالشی که در اینجا مطرح است این است که کارگرها دارای توانایی و تخصصهای مختلفی هستند، همچنین درجه سختی وظایف نیز متفاوت است. هدف این مقاله، مروری بر روشهای کارگزینی به منظور مطالعه چالشها و راه حل آنها می باشد. به عنوان مثال دو رویکرد انتصاب و انتخاب جوابگوی تمام چالش ها نمی باشند بنابراین رویکرد ترکیبی را معرفی می کنیم.

چگونه می توان با داشتن داده های مربوط به تراکنش کاربران یک شبکه داد و ستد برخط، ناهنجاری و فریب ک. more چگونه می توان با داشتن داده های مربوط به تراکنش کاربران یک شبکه داد و ستد برخط، ناهنجاری و فریب کاری را تشخیص داد؟ در این مقاله روشی برای حل این مسئله ارائه می گردد. در این روش تراکنش ها و کاربران معامله کننده طبق میدان تصادفی مارکوف ، مدل می شوند تا از این طریق الگوهای مشکوک به فریبکاری که توسط کاربران فریبکار ایجاد می شوند شناسایی شوند.
سپس به کمک روش انتشار اعتقادی ، دیگر فریبکاران نیز تشخیص داده شوند. نتایج آزمایشات انجام شده نشان می دهد حتی با اضافه شدن گره¬های جدید به گراف معاملات، دقت و کارایی روش ارائه شده همواره بالای 90 درصد است و در مقیاس های بزرگ نیز به درستی عمل می کند.

اولین کارگاه آموزشی نظری و روش شناسی شبکه های اجتماعی با همکاری انجمن ایرانی مطالعات فرهنگی و ارت. more اولین کارگاه آموزشی نظری و روش شناسی شبکه های اجتماعی با همکاری انجمن ایرانی مطالعات فرهنگی و ارتباطات و دانشکده علوم و فنون نوین دانشگاه تهران در تاریخ 25 آذر 93 ساعت 15 تا 19 در دانشکده علوم اجتماعی دانشگاه تهران برگزار میگردد.
شرکت در این کارگاه برای تمامی علاقمندان رایگان بوده و نیاز به ثبت نام ندارد.

نت لوگو يك محيط مدل سازي قابل برنامه ريزي براي شبيه سازي پديده هاي طبيعي و اجتماعي است. اين نرم ا. more نت لوگو يك محيط مدل سازي قابل برنامه ريزي براي شبيه سازي پديده هاي طبيعي و اجتماعي است. اين نرم افزار توسط يوري ويلنسكي در سال 1999 نوشته شده و به طور مداوم توسعه داده شده است.
نت لوگو به طور خاص براي مدل سازي سيستم هاي پيچيده كه در طول زمان رشد و توسعه مي يابند بسيار مناسب است. مدل سازان مي توانند دستورالعمل ها را به صدها يا هزاران "عامل" بدهند كه به طور مستقل عمل مي كنند. بدين ترتيب كشف ارتباطات بين رفتار افراد در سطح خرد و الگوهاي سطح كلان كه از تعامل آنها پديدار مي شود ممكن مي گردد.
نت لوگو به دانشجويان اين امكان را مي دهد شبيه سازي ها را گشوده و با آنها "بازي" نمايند. (جهت مطالعه رفتار شبيه سازي ها تحت شرايط مختلف) همچنين اين نرم افزار يك محيط تأليف بوده كه به دانشجويان، اساتيد و توسعه دهندگان برنامه هاي درسي توانايي ساخت مدل خودشان را مي دهد. نت لوگو براي دانشجويان و اساتيد به اندازه كافي ساده بوده، در عين حال به قدري پيشرفته است كه به عنوان ابزاري قدرتمند براي پژوهشگران در بسياري از زمينه ها بكار مي رود.

منتخب تد: سیستم اعداد دودویی چگونه کار می کند [تماشا کنید]

تصور کنید از کلمات برای تعریف صحنه های یک فیلم، تمامی نت های یک ترانه معروف و یا هر خیابان شهر استفاده کنید. حالا اگر بخواهید همین کار را تنها با اعداد صفر و یک .

در دیجیاتو ثبت‌نام کنید

جهت بهره‌مندی و دسترسی به امکانات ویژه و بخش‌های مختلف در دیجیاتو عضو ویژه دیجیاتو شوید.

تازه‌های تکنولوژی

ویدئوی مرتبط

تصور کنید از کلمات برای تعریف صحنه های یک فیلم، تمامی نت های یک ترانه معروف و یا هر خیابان شهر استفاده کنید. حالا اگر بخواهید همین کار را تنها با اعداد صفر و یک انجام دهید موضوع چه قدر پیچیده می شود؟ در هر کاری که در اینترنت انجام می دهید، از تماشای یک فیلم و گوش دادن به موسیقی تا جهت یابی، دستگاه شما از همین اعداد برای تعریف همه این موارد استفاده می کند. به عبارتی کامپیوتر یا گوشی موبایل شما از روش اعداد دودویی که تنها بر صفر و یک مبتنی است برای کارکرد استفاده می کند. اما همه این ها چطور ممکن است؟

دلیل این که کامپیوترها از سیستم اعداد دودویی (باینری) استفاده می کنند به اطمینان این سیستم برای ذخیره اطلاعات مرتبط است. به عنوان مثال حافظه کامپیوتر شما که از ترانزیستورها تشکیل شده که از دو ولتاژ پایین و بالا برای ذخیره کردن مقادیر صفر و یک استفاده می کند. فرض کنید که ولتاژ صفر ولت به معنی انتخاب دودویی مقدار صفر و 5 ولت به معنی مقدار یک است. اما اگر در این بین با ولتاژ یک ولت هم طرف باشیم، معادل با مقدار پایین (صفر) در نظر گرفته می شود.

پردازنده ها از همین وضعیت ترانزیستورها و بر اساس دستورالعمل های نرم افزاری، برای کنترل سایر تجهیزات استفاده می کنند. برای اینکه دریابید کاراکترهای مختلف در سیستم اعداد دودویی چگونه کدگذاری و معادل سازی می شوند یا تصاویر چگونه با استفاده از این سیستم اعداد روی نمایشگر شما نشان داده می شوند، ویدیوی تد زیر را مشاهده کنید. می توانید زیر نویس فارسی ویدیو را با کلیک روی گزینه subtitles و انتخاب گزینه «Persian» فعال کنید.

الگوریتم بهینه سازی گرگ خاکستری با روش دودویی برای انتخاب ویژگی

ترجمه مقاله الگوریتم بهینه سازی گرگ خاکستری با روش دودویی

ترجمه مقاله Binary grey wolf optimization approaches for feature selection

در این بخش ترجمه مقاله الگوریتم بهینه سازی گرگ خاکستری با روش دودویی برای انتخاب ویژگی را برایتان آماده کردیم که علاوه بر چکیده و مقدمه می توانید خود مقاله اصلی را نیز به صورت کاملا رایگان دانلود نمایید.

چکیده مقاله

در مورد الگوریتم بهینه ‌سازی گرگ خاکستری می توان گفت که یکی از جدیدترین روش ‌های بهینه ‌سازی بر گرفته از زیست است، که پیاده سازی فرآیند شکار گرگ خاکستری در طبیعت است. نسخه دودویی ارائه شده در اینجا به وسیله دو روش مختلف نشان داده شده است. در مرحله اول، قدم های فردی به سمت اولین سه بهترین جواب ‌ها حرکت می کند و سپس برنامه برش بر روی سه حرکت اصلی برای بروز رسانی موقعیت گرگ ‌های خاکستری انتخاب دودویی دودویی انجام می‌شود.

در مرحله دوم، از تابع sigmoidal برای به هم‌ کوبیدن موقعیت پشت سر هم بروز شده گرگ استفاده شده است، سپس از حد آستانه‌ تصادفی این ارزش ‌ها به منظور بروز رسانی‌ موقعیت الگوریتم گرگ خاکستری دودویی استفاده شده است. این دو مرحله برای بهینه ‌سازی الگوریتم گرگ خاکستری دودویی در دامنه‌ی انتخاب ویژگی برای پیدا کردن زیر مجموعه‌ای از خصوصیات با حداکثر صحت و دقت طبقه‌ بندی و حداقل تعداد خصوصیات ‌های انتخاب شده، طراحی شده است.

نسخه‌ی دودویی ارائه شده با دو مورد از بهینه ‌ساز های مشترک در این زمینه یعنی الگوریتم ‌ژنتیک و بهینه ‌ساز ازدحام ذرات مقایسه شده است. گروهی از شاخص ‌ها برای مقایسه و ارزیابی و روش ‌های متفاوت بر روی بیش از ۱۸ مجموعه داده‌ی متعدد از مخزن UCI مورد استفاده قرار گرفته نتیجه به دست آمده، توانایی ‌های نسخه دودویی الگوریتم بهینه ‌سازی گرگ خاکستری پیشنهادی (bGWO) در پیدا کردن فضای ویژگی برای ترکیب خصوصیات های بهینه، صرف ‌نظر از کارگرد ‌های تصادفی استفاده شده و مقداردهی اولیه را اثبات می‌کند.

مقدمه

انتخاب ویژگی یک راه برای شناخت خصوصیات های مهم و از بین بردن خصوصیات های اضافی از مجموعه داده را فراهم می‌کند. هدف از انتخاب ویژگی، بهبود کارکرد پیش‌بینی و درک اطلاعات صحیح برای برنامه ‌های مختلف یادگیری ماشین و کم کردن ابعاد داده است. در برنامه‌ های کاربردی دنیای واقعی، انتخاب دودویی نشان دادن اطلاعات با استفاده از خصوصیات ‌های بسیاری با خصوصیات ‌های افزونگی انجام می‌شود، که به این معناست که خصوصیات‌ های معین می‌تواند نقش دیگری داشته باشد و خصوصیات ‌های غیر ضروری می‌تواند از بین برود. علاوه بر این، خصوصیات ‌های مربوطه در خروجی شامل اطلاعات مهمی است که اگر هر یک از آن‌ ها کنار گذاشته شوند، پیچیده خواهد بود.

چکیده انگلیسی

In this work, a novel binary version of the grey wolf optimization (GWO) is proposed and used to select optimal feature subset for classification purposes. Grey wolf optimizer (GWO) is one of the latest bio-inspired optimization techniques, which simulate the hunting process of grey wolves in nature. The binary version introduced here is performed using two different approaches. In the first approach, individual steps toward the first three best solutions are binarized and then stochastic crossover is performed among the three basic moves to find the updated binary grey wolf position. In the second approach, sigmoidal function is used to squash the continuous updated position, then stochastically threshold these values to find the updated binary grey wolf position.

The two approach for binary grey wolf optimization (bGWO) are hired in the feature selection domain for finding feature subset maximizing the classification accuracy while minimizing the number of selected features. The proposed binary versions were compared to two of the common optimizers used in this domain namely particle swarm optimizer and genetic algorithms. A set of assessment indicators are used to evaluate and compared the different methods over 18 different datasets from the UCI repository. Results prove the capability of the proposed binary version of grey wolf optimization (bGWO) to search the feature space for optimal feature combinations regardless of the initialization and the used stochastic operators.