یک روش جدید برای آموزش مدل مخفی مارکوف با استفاده از الگوریتم بهینه سازی گرگ خاکستری جهت مدلسازی دنباله های ژن

مدل مخفی مارکوف یکی از الگوریتم های یادگیری ماشین می باشد که به طور گسترده ای برای مدل سازی و خوشه بندی داده ها مورد استفاده قرار می گیرد. از آنجایی که نحوه آموزش پارامترهای مدل مخفی مارکوف اثر زیادی بر نحوه عملکرد آن دارد، تاکنون الگوریتم های زیادی برای آموزش پارامترهای مدل مخفی مارکوف مورد استفاده قرار گرفته است که از آن جمله می توان به الگوریتم Baum-Welch و الگوریتم های بهینه سازی مانند الگوریتم ژنتیک (GA)، الگوریتم بهینه سازی هوش ذرات (PSO) و سایر الگوریتم های بهینه سازی اشاره کرد. الگوریتم بهینه سازی گرگ خاکستری (GWO) یک الگوریتم بسیار مناسب در مقایسه با سایر الگوریتم های بهینه سازی جهت حل مسائل گوناگون می باشد. در این پژوهش یک راهکار جدید جهت آموزش پارامترهای مدل مخفی مارکوف با استفاده از الگوریتم بهینه سازی گرگ خاکستری ارائه شده است. جهت ارزیابی مدل پیشنهادی و مقایسه آن با سایر الگوریتم ها. از مدل مخفی مارکوف جهت مدل سازی دنباله های ژن استفاده شده و عملکرد آن برای نوع توصیف دنباله های ژن ارزیابی شده است. نتایج مقایسه ها نشان می دهد که کارایی الگوریتم پیشنهادی نسبت به سایر روش های آموزش مدل مخفی مارکوف بهتر بوده و می تواند بصورت موفقیت آمیزی برای مدل سازی دنباله های ژن مورد استفاده قرار گیرد.