مهدی حسین زاده اقدم

در بسیاری از مسائل بیوانفورماتیک یک مدل برای کلاس بندی داده ها ساخته میشود. هدف از ساخت چنین مدلی دسته بندی نمونه ها در کلاس های مربوطه است. تعداد زیاد ویژگیها باعث کند شدن سیستم، پایین آمدن کارایی و بالا رفتن هزینه ساخت مدل میشود. برای انتخاب ویژگیها در مجموعه دادههای بیوانفورماتیکی، روشهای زیادی ارائه شده است. در این مقاله روشی جدید بر اساس برای انتخاب ویژگیها ارائه شده (ACO) الگوریتم کلونی مورچه ها است. بازدهی کلاسبند و تعداد ویژگیهای انتخاب شده، به عنوان قرار گرفتند. بنابراین در روش ACO اطلاعات اکتشافی در اختیار پیشنهادی، برای انتخاب ویژگیها نیاز به دانستن اطلاعات قبلی در مورد ویژگیها وجود ندارد. کارایی الگوریتم بر روی یک مجموعه داده بیوانفورماتیکی بنام Postsynaptic آزمایش شده است. برای مقایسه کارایی از دو معیار دقت و اندازه بردار ویژگی انتخابی، استفاده شده است. نتایج پیاده سازی، نشان دهنده بازدهی بسیار بالای الگوریتم پیشنهادی در مجموعه داده های مورد استفاده می باشد.