الگوریتم بهینه سازی زنبور Bombus-terrestris برای انتخاب ویژگی

الگوریتم های فراابتکاری یکی از روش های شناخته شده برای حل مسائل بهینه سازی به ویژه مسائل NP-hard هستند. این الگوریتم ها عمدتا بر اساس رفتار موجودات در طبیعت یا رفتار انسان توسعه یافته اند. یکی از انواع الگوریتم‌های فراابتکاری در حل مسائل بهینه‌سازی، الگوریتم‌های هوش ازدحامی هستند که بر اساس رفتارهای ازدحامی مدل‌سازی می‌شوند. در این مقاله، بر رفتار نوعی از زنبورها، زنبورهای بمب افکن[1] تمرکز می کند. این زنبورها چندین رفتار هوشمندانه از خود نشان می دهند، مانند یافتن غذا، تشویق سایر زنبورهای شبیه سازی شده برای یافتن غذا، یادگیری از زنبورهای دیگر برای یافتن غذا و مراقبت از ملکه. ما با الهام از رفتارهای زنبور بمب-زمینی، الگوریتمی را برای حل انواع مختلف مسائل بهینه‌سازی، تک وجهی و چندوجهی معرفی می‌کند. عمدتاً بر حل مسئله انتخاب ویژگی بر اساس نسخه باینری الگوریتم پیشنهادی تمرکز می کند. نتایج تجربی نشان می‌دهد که روش پیشنهادی بهتر از سایر الگوریتم‌های فراابتکاری، مانند الگوریتم بهینه‌سازی گرگ خاکستری، الگوریتم بهینه‌سازی گرس‌هاپر، الگوریتم بهینه‌سازی کفتار نقطه‌ای، و بهینه‌ساز هریس هاکس[2] (HHO)، الگوریتم بهینه‌سازی بیوه سیاه[3] (BWO)، الگوریتم بهینه‌سازی زنبور مصنوعی عمل می‌کند. الگوریتم کلنی[4] (ABC) و الگوریتم آب استریدر[5] (WSA) . الگوریتم پیشنهادی را روی مسائل مختلف اعمال می‌کند تا کارایی الگوریتم را نشان دهد.

---

[1] Bombus-terrestris bee

[2] Harris Hawks Optimizer

[3] Black Widow Optimization

[4] Artificial bee colony

[5] Water Strider Algorithm

یادگیری انتقال در مراقبتهای بهداشتی: پیش بینی گلوکز برای افراد دیابتی

        دیابت  یکی از بیماری‌های مشترک و رو به رشد در کشورهای مختلف است که محققان دنیا در تلاش هستند تا بتوانند روشی به منظور جلوگیری از این بیماری را ارائه دهند. دیابت یک بیماری مزمن غیر مسری است. رشد این بیماری با افزایش غیر طبیعی سطح گلوکز  در خون می‌باشد که به دو دسته تقسیم می‌شود که شامل نوع اول دیابت است که با تولید ناکافی انسولین  توسط لوزالمعده روی می دهد و دوم، دیابت نوع دو است که شکست سلول ها در پاسخ موثر به تولید انسولین توسط لوزامعده می باشد. این بیماری از جانب سازمان سلامت جهانی  و فدراسیون دیابت جهانی  از زمان رشد پیوسته دیابت، از نزدیک دنبال و مورد توجه قرار گرفته است. بیان شده است. با توجه به آمار که روزانه نیز بر اساس گزارشات فدراسیون دیابت جهانی در حال رشد است، کنترل، پیش گیری و شناسایی زودهنگام آن می تواند در رشد این بیماری کمک نماید [1].

        انفورماتیک پزشکی مدیون ساختارهای پردازش، ذخیره سازی و انتشار اطلاعات برای حوزه های گوناگون در زمینه پزشکی است. هدف اصلی در پشت همه تلاش ها به منظور طبقه بندی، خوشه بندی، و استخراج ویژگی  از داده های موجود این است که بتوان سیستم پشتیبان تصمیم گیری  ساخت که به انسان در زمینه شناسایی و تشخیص بیماری ها کمک کند[1].

آشنایی با داده کاوی سلامت

در معنای لغوی داده کاوی (  Data Mining)  واژه Mine به معنای استخراج از منابع نهفته و با ارزش زمین  است و ادغام این کلمه با Data  به معنی جستجویی عمیق از داده های قابل دسترس با حجم زیاد  برای یافتن اطلاعات مفید که قبلا نهفته بودند،می باشد.

هدف از داده کاوی استخراج اطلاعات مفید از بانک‌های اطلاعاتی بزرگ یا انبارهای داده است و در جنبه‌های مختلف تجاری و علم کاربرد دارد. الگوریتم‌های داده‌کاوی در صنعت بهداشت و درمان نقش مهمی در پیش‌بینی و تشخیص بیمار‌ی‌ها دارد و همچنین از آن‌ در صنایع داروسازی، مدیریت بیمارستان، بازاریابی، مدیریت ارتباط با مشتری، مهندسی و آنالیز پزشکی، وب کاوی و ... استفاده‌ شده‌است.

بطور کلی داده کـاوی پل ارتباطی میان علم آمـار، علم کامپیوتر، هوش مصنوعی، الگوشناسی، فـراگیری مـاشین و بازنمایی بصری داده می باشد. و مانند درختی است که در تکنولوژی‌های دیگر ریشه دارد.ریشه‌های داده کاوی میان سه خانواده از علوم قابل پیگیری می‌باشد.

·         مهمترین این خانواده ها آمارکلاسیک است.

بدون آمار هیچ داده کاوی وجود نخواهد داشت بطوریکه آمار اساس اغلب تکنولوژیی می باشد که داده کاوی بر روی آنها بنا می باشد

·         دومین خانواده‌ای که داده کاوی به آن تعلق دارد هوش مصنوعی می‌باشد.

 هوش مصنوعی که برپایه روش‌های ابتکاری می‌باشد و با آمار ضدیت دارد، تلاش دارد تا فرآیندی مانند فکر انسان را برای حل مسائل آماری بکار بندد.