انتخاب ویژگی با استفاده از جستجوی محلی بر پایه الگوریتم ژنتیک ترکیبی روی داده های بزرگ

انتخاب ویژگی توجه بسیاری ازحوزه های تحقیقاتی درسالهای اخیر بویژه درحوزه داده های با ابعادبالا را به خود جلب کرده است ازانجایی که تکنیکهای سنتی دراین زمینهکارایی کمتری برای کار با داده ها باابعادبزرگ دارند لذا دراین مقاله که برای انجام عمل انتخاب ویژگی برروی داده های بزرگ صورت گرفته است ازیک روش ترکیبی که دردرون آن جستجوی محلی برای بالا بردن سرعت همگرایی الگوریتم با استفاده ازجداسازی ویژگیها به دودسته متمایز و شبیه استفاده شده است باموازی سازی این الگوریتم به روش پایه - پیرو و پیاده سازی آن بروی کارت گرافیک و قدرت بالای گرافیک درپردازش موازی داده ها توانسته ایم سرعت کار روش را به مقدارقابل توجهی بالا ببریم استفاده ازکارت گرافیک به کمک زبان برنامه نویسی CUDA زمان اجرای الگوریتم را به حدود یکدوم کاهش میدهد ازمایش حاصل که برروی 16دیتاست صورت گرفته است نشان میدهد که سرعت اجرای الگوریتم درحالت موازی حدود دوبرابر بیشتر ازحالت سری الگوریتم می باشد

کلیدواژه ها:

انتخاب ویژگی ، واحدهای پردازش گرافیکی GPU ، معماری دستگاه یکپارچه ی محاسباتی CUDA ، الگوریتم ژنتیک موازی ، مدل پایه - پیرو