การยกระดับประสิทธิภาพ Binary Walrus Optimizer ด้วย Golden Sine Disturbance และ กลไกการสร้างประชากรใหม่ เพื่อแก้ปัญหา Feature Selection
การยกระดับประสิทธิภาพ Binary Walrus Optimizer ด้วย Golden Sine Disturbance และ กลไกการสร้างประชากรใหม่ เพื่อแก้ปัญหา Feature Selection
บทความวิจัย "An Improved Binary Walrus Optimizer with Golden Sine Disturbance and Population Regeneration Mechanism to Solve Feature Selection Problems" ตีพิมพ์ในวารสาร Biomimetics, Vol. 9, Pages 501 ได้นำเสนอวิธีการใหม่ในการแก้ปัญหา Feature Selection ด้วยการปรับปรุงอัลกอริทึมการหาค่าเหมาะสมที่สุดแบบ Walrus Optimizer (WOA) ซึ่งเป็นอัลกอริทึมแบบ metaheuristic ที่ได้รับแรงบันดาลใจจากพฤติกรรมการหาอาหารของวอลรัส
ข้อจำกัดของ Walrus Optimizer ดั้งเดิม
แม้ว่า WOA จะเป็นอัลกอริทึมที่มีประสิทธิภาพในการแก้ปัญหา Optimization หลายประเภท แต่อัลกอริทึม WOA ดั้งเดิมยังคงมีข้อจำกัดบางประการ เช่น
- ติดอยู่ในค่าเหมาะสมที่สุดเฉพาะที่ (Local Optima) ได้ง่าย
- อัตราการลู่เข้า (Convergence Rate) ช้าในบางปัญหา
การยกระดับประสิทธิภาพด้วย Golden Sine Disturbance และ Population Regeneration Mechanism
เพื่อแก้ไขข้อจำกัดของ WOA ดั้งเดิม บทความวิจัยนี้ได้นำเสนอการปรับปรุงอัลกอริทึม WOA ด้วยเทคนิค 2 เทคนิคหลัก ๆ ดังนี้
- Golden Sine Disturbance: เทคนิคนี้ช่วยเพิ่มความสามารถในการหลีกเลี่ยงค่าเหมาะสมที่สุดเฉพาะที่ โดยการเพิ่มสัญญาณรบกวน (Disturbance) ในกระบวนการค้นหาคำตอบ สัญญาณรบกวนนี้คำนวณจาก Golden Ratio ซึ่งเป็นค่าคงที่ทางคณิตศาสตร์ที่พบได้ในธรรมชาติ เทคนิคนี้ช่วยให้อัลกอริทึมสามารถสำรวจพื้นที่การค้นหาได้กว้างขึ้น และเพิ่มโอกาสในการค้นหาคำตอบที่ดีกว่า
- Population Regeneration Mechanism: กลไกการสร้างประชากรใหม่ เทคนิคนี้ช่วยเพิ่มความหลากหลายของประชากรคำตอบ (Population Diversity) โดยการสร้างคำตอบใหม่ขึ้นมาทดแทนคำตอบเดิมที่ไม่ดี เทคนิคนี้ช่วยให้อัลกอริทึมหลีกเลี่ยงการลู่เข้าสู่ค่าเหมาะสมที่สุดเฉพาะที่ และเพิ่มโอกาสในการค้นหาคำตอบที่ดีกว่า
ผลการทดลอง
จากการทดสอบประสิทธิภาพของอัลกอริทึม Improved Binary Walrus Optimizer (IBWO) ที่พัฒนาขึ้น กับ ชุดข้อมูลมาตรฐาน (Benchmark Datasets) จำนวน 18 ชุด พบว่า IBWO ให้ผลลัพธ์ที่ดีกว่าอัลกอริทึม WOA ดั้งเดิม และอัลกอริทึม Feature Selection อื่น ๆ ที่ใช้ในการเปรียบเทียบ ในแง่ของ ความแม่นยำในการจำแนกประเภท (Classification Accuracy) อัตราการลู่เข้า และ จำนวนคุณลักษณะที่ถูกเลือก
| ชุดข้อมูล | IBWO | WOA | อัลกอริทึมอื่น ๆ |
|---|---|---|---|
| ชุดข้อมูล 1 | 95.5% | 92.2% | 90.1% - 93.7% |
| ชุดข้อมูล 2 | 88.9% | 86.7% | 84.5% - 87.3% |
| ... | ... | ... | ... |
สรุป
บทความวิจัยนี้ได้นำเสนอ IBWO ซึ่งเป็นอัลกอริทึม Feature Selection ที่มีประสิทธิภาพสูง ซึ่งพัฒนาต่อยอดจาก WOA ด้วยการเพิ่ม Golden Sine Disturbance และ Population Regeneration Mechanism IBWO แสดงให้เห็นถึงศักยภาพในการแก้ปัญหา Feature Selection ได้อย่างมีประสิทธิภาพ และสามารถนำไปประยุกต์ใช้ได้กับปัญหาในโลกแห่งความเป็นจริง เช่น การวินิจฉัยโรค การตรวจจับการฉ้อโกง และ การวิเคราะห์ความคิดเห็น
#Biomimetics #FeatureSelection #WalrusOptimizer #Optimization