ضمن فريق بحثي , تدريسي من كلية العلوم بجامعة ديالى ينشر بحثاً علمياً في مجلة تصدر عن دار النشر العالمية Springer

نشر المدرس منتظر خميس مصطفى التدريسي من قسم علوم الحاسوب في كلية العلوم بجامعة ديالى بحثاً علمياً بعنوان Multi-Objective Feature Selection: Hybrid of Salp swarm and Simulated Annealing Approach "أختيار ميزات متعدد المهام : نهج هجين سرب السالب مع خوارزمية التلدين الفيزيائي" في مجلة علوم المعلومات والهندسة Journal of Information Science and Engineering ذات معامل التأثير 0.468 والتي تصدر عن دار النشر العالمية Springer .

وأوضح الفريق البحثي والذي يضم أيضاً الأستاذ الدكتور عباس البكري رئيس جامعة تكنولوجيا المعلومات والاتصالات ورئيس الهيئة العراقية للحاسبات والمعلوماتية والأستاذ المساعد الدكتور خالد شاكر التدريسي في كلية تكنولوجيا المعلومات الانبار أصبحت  للـ (Metaheuristics) شعبية متزايدة في حل حقيقي لمشاكل العالم بسبب مرونتها وقدرتها على تجنب مشكلة (local optimum).

أن خوارزميات (Metaheuristics) الحديثه أدت إلى ضهور فروع جديده من التحسين ، يسمى Metaheuristic optimization)). وهذه يمكن تطبيقها على جميع مجالات التنقيب عن  البيانات والتخطيط والجدولة والتصميم والأجهزة الذكية ، واختيار الميزات (Feature selection) هو وسيلة هامة وأساسية لمعالجة مشاكل التصنيف (Classification problems) من خلال اختيار مجموعة من الخصائص المثلى وفقا لمعايير معينة

 يتم استخدام (FS) لخفض الأبعاد وإزالة الضوضاء من البيانات ، مما يؤدي إلى سرعة التعلم ، وبساطة القواعد ، وتصور البيانات وصحة التنبؤء. وأن خوارزمية سرب السالب(SSA)  هي عبارة عن طريقة Metaheuristic optimization)) حديثة  التي تحاكي السلوك الفطري لسلسلة السالب.

في هذا دراسة ، يتم تهجين (SSA) مع خوارزمية التلدين الفيزيائيSA) ) ضمن الـSA كدالة داخلية لتحسين قدرة الاستغلال(exploitation)  من خلال قبولها في بعض الاحيان للحل الأسوء (worst solution) بدلا من الحل الحالي. حيث يتم تقييم أداء النهج المقترح على 16 مجموعة بيانات بما في ذلك اثنين من بيانات الأبعاد العالية من مستودع (UCI) ومقارنها مع  (SSA)الأصلية ومع نهوج (FS) الأخرى ذات الصلة.

أثبتت النتائج التجريبية مدى كفاية النهج المقترح للبحث عن مساحة الميزات للحصول على الميزات المثلى (optimal solution).  (SSA-SA)أعطى أداء متميز كمحسن متعدد الاهداف (multi-objective optimisation) حيث حقق هدفين متناقضين ، دقة قصوى لتصنيف (maximal accuracy of a classification) بأقل حجم من الميزات (Minimal size of features) على جميع مجموعات البيانات المستخدمة.

ويذكر أنه هذا البحث مقدم للمشاركة في مؤتمر '3rd International Conference on New Trends in Information & Communications Technology Applications – NTICT'2018' .

<<  الموضوع التالي  |  الموضوع السابق  >>