محسن شفیعی - کارشناسی ارشد نرم افزار مدرس دانشگاه های پیام نور مشهد
رضا منصفی - عضو هیئت علمی دانشگاه فردوسی

رشد چشم گیر و غیر قابل تصور در حجم داده های تولید و ذخیره شده در نهادها منجر به پنهان شدن دانش های مفید و ناشناخته در درون انبوه اطلاعات شده است که با معرفی و استفاده از دانش داده کاوی سعی در استخراج این مفاهیم با ارزش داریم مهمترین چالش در این زمینه ابعاد زیاد یا به عبارتی تعداد زیاد ویژگی ها (صفات) در مجموعه داده ها ما را با مشکل در این زمینه مواجه خواهد کرد. علاوه بر این با حذف این ویژگی های اضافی سبب افزایش کارآیی الگوریتم های داده کاوی و حتی به دلیل کاهش داده های آلوده می توان در برخی موارد به نتایج بهتری رسید. نکته مهم در این حوزه پیچیدگی پیاده سازی روش های کاهش ابعاد و NP-Hard بودن این رده از مسائل است لذا الگوریتم های فرامکاشفه ای در این حوزه می توانند بسیار کاربردی هستند یکی از شناخته شده ترین الگوریتم های فرامکاشفه ای روش ACO است در این مقاله به ارائه روشی جهت بهینه سازی این روش کلاسیک مطرح شده و نتایج حاصل از این بهینه سازی نیز موید این مطلب هستند.

انتخاب ویژگی، فرامکاشفه ای، ACO، جستجوی هارمونیک