Projektowanie i ocena nowej funkcji przenoszenia w kształcie namiotu przy użyciu algorytmu Polar Lights Optimizer do selekcji cech
##plugins.themes.bootstrap3.article.sidebar##
Numer Tom 15 Nr 2 (2025)
-
Precyzyjne wykrywanie i segmentacja samolotów cywilnych na zdjęciach satelitarnych przy użyciu YOLOv8
Ramesh Kumar Panneerselvam, Sarada Bandi, Sree Datta Siva Charan Doddapaneni5-12
-
Zastosowanie modeli YOLO i U-Net do identyfikacji materiałów budowlanych na segmentowanych obrazach
Ruslan Voronkov, Mykhailo Bezuglyi13-17
-
Integracja genomiki i sztucznej inteligencji w celu precyzyjnego monitorowania upraw i adaptacyjnego zarządzania stresem
Rajesh Polegopu, Satya Sumanth Vanapalli, Sashi Vardhan Vanapalli, Naga Prudvi Diyya, Mounika Vandila, Divya Valluri, Anjali Peddinti, Sowjanya Saladi, Meghana Pyla, Padmini Gelli18-26
-
Projektowanie i ocena nowej funkcji przenoszenia w kształcie namiotu przy użyciu algorytmu Polar Lights Optimizer do selekcji cech
Zaynab Ayham Almishlih, Omar Saber Qasim, Zakariya Yahya Algamal27-31
-
Algorytm wykrywania obiektów w systemie nawigacji drona ratowniczego
Nataliia Stelmakh, Yurii Yukhymenko; Ilya Rudkovskiy; Anton Lavrinenkov32-36
-
Skuteczna metoda rozpakowywania obrazu dookólnego
Said Bouhend, Chakib Mustapha Anouar Zouaoui, Adil Toumouh, Nasreddine Taleb37-43
-
Rozpoznawanie twarzy w gęstym tłumie przy użyciu metod głębokiego uczenia z kamerą IP
Sobhana Mummaneni, Venkata Chaitanya Satya Ramaraju Mudunuri, Sri Veerabhadra Vikas Bommaganti, Bhavya Vani Kalle, Novaline Jacob, Emmanuel Sanjay Raj Katari44-50
-
Analiza wybranych metod identyfikacji osób na podstawie danych biometrycznych
Marcin Rudzki, Paweł Powroźnik51-56
-
Możliwości diagnostyczne teziogafii macierzy Jonesa multifraktalnej struktury odwodnionych rozmazów krwi
Yuriy Ushenko, Iryna Soltys, Oleksandr Dubolazov, Sergii Pavlov, Victor Paliy, Marta Garazdiuk, Vasyl Garasym, Oleksandr Ushenko, Ainur Kozbakova57-60
-
Badanie wpływu temperatury dyfuzji boru na wydajność ogniw słonecznych n-type PERT monofacjalnych z ograniczonymi krokami termicznymi.
Hakim Korichi, Mohamed Kezrane, Ahmed Baha-Eddine Bensdira61-64
-
Modelowanie parametrów fotoprzetwornika opartego na heterostrukturze CdS/porowaty-CdTe/CdTe
Alena F. Dyadenchuk, Roman I. Oleksenko65-69
-
Projekt i wyzwania autonomicznego systemu monitorowania alarmów na statku dla zwiększenia bezpieczeństwa morskiego
Oumaima Bouanani, Sara Sandabad, Abdelmoula Ait Allal, Moulay El Houssine Ech-Chhibat70-76
-
Cyfryzacja podstacji z wykorzystaniem protokołu GOOSE między inteligentnymi urządzeniami elektronicznymi
Laura Yesmakhanova, Samal Kulmanova, Dildash Uzbekova, Bibigul Issabekova77-83
-
Koncepcyjny model tworzenia propozycji zapewnienia komunikacji jednostce z wykorzystaniem sztucznej inteligencji
Dmytro Havrylov, Roman Lukianiuk, Albert Lekakh, Olexandr Musienko, Vladymyr Startsev, Gennady Pris, Kyrylo Рasynchuk84-89
-
Opracowanie modelu analitycznego i metody optymalizacji priorytetowej obsługi korporacyjnej sieci komputerowej "Wybory"
Zakir Nasib Huseynov90-93
-
Heterogeniczna sieć neuronowa do prognozowania stanu wielostrefowych obiektów grzewczych
Maria Yukhimchuk, Volodymyr Dubovoi, Zhanna Harbar, Bakhyt Yeraliyeva94-99
-
Bufor napięcia push-pull o zwiększonej obciążalności
Oleksiy Azarov, Maxim Obertyukh, Mikhailo Prokofiev, Aliya Kalizhanova, Olena Kosaruk100-103
-
Ocena odnawialnych źródeł energii w warunkach niepewności przy użyciu rozmytej metody AHP
Kamala Aliyeva104-109
-
Model sieci energetycznej oparty na zasadzie fraktalno-klastrowej
Huthaifa A. Al_Issa, Artem Cherniuk, Yuliia Oliinyk, Oleksiy Iegorov, Olga Iegorova, Oleksandr Miroshnyk, Taras Shchur, Serhii Halko110-117
-
Modelowanie dynamicznych i statycznych trybów pracy asynchronicznego napędu elektrycznego małej mocy
Viktor Lyshuk, Sergiy Moroz, Yosyp Selepyna, Valentyn Zablotskyi, Mykola Yevsiuk, Viktor Satsyk, Anatolii Tkachuk118-123
-
Rozwój i optymalizacja urządzenia sterującego napędem hydraulicznym przenośnika taśmowego
Leonid Polishchuk, Oleh Piontkevych, Artem Svietlov, Oksana Adler, Dmytro Lozinsky124-129
-
Optymalizacja pracy światłowodowych czujników w warunkach kosmicznych
Nurzhigit Smailov, Marat Orynbet, Aruzhan Nazarova, Zhadyger Torekhan, Sauletbek Koshkinbayev, Kydyrali Yssyraiyl, Rashida Kadyrova, Akezhan Sabibolda130-134
-
Analiza wydajności VLC w optycznych systemach komunikacji bezprzewodowej do zastosowań wewnętrznych
Nurzhigit Smailov, Shakir Akmardin, Assem Ayapbergenova, Gulsum Ayapbergenova, Rashida Kadyrova, Akezhan Sabibolda135-138
-
Predykcja wskaźników jakości oprogramowania z zastosowaniem modyfikacji metod gradientów zintegrowanych
Anton Shantyr, Olha Zinchenko, Kamila Storchak, Andrii Bondarchuk, Yuriy Pepa139-146
Archiwum
-
Tom 16 Nr 2
2026-06-30 27
-
Tom 16 Nr 1
2026-03-30 27
-
Tom 15 Nr 4
2025-12-20 27
-
Tom 15 Nr 3
2025-09-30 24
-
Tom 15 Nr 2
2025-06-27 24
-
Tom 15 Nr 1
2025-03-31 26
-
Tom 14 Nr 4
2024-12-21 25
-
Tom 14 Nr 3
2024-09-30 24
-
Tom 14 Nr 2
2024-06-30 24
-
Tom 14 Nr 1
2024-03-31 23
-
Tom 13 Nr 4
2023-12-20 24
-
Tom 13 Nr 3
2023-09-30 25
-
Tom 13 Nr 2
2023-06-30 14
-
Tom 13 Nr 1
2023-03-31 12
-
Tom 11 Nr 4
2021-12-20 15
-
Tom 11 Nr 3
2021-09-30 10
-
Tom 11 Nr 2
2021-06-30 11
-
Tom 11 Nr 1
2021-03-31 14
##plugins.themes.bootstrap3.article.main##
Authors
Abstrakt
Badania te mają na celu opracowanie nowej funkcji przenoszenia w celu przekształcenia przestrzeni ciągłej w przestrzeń binarną przy użyciu algorytmu Polar Lights Optimizer (PLO) dla problemu selekcji cech. Algorytm PLO opiera się na symulacji zachowania zorzy polarnej w celu osiągnięcia równowagi w eksploracji i wykorzystaniu przestrzeni binarnej. Nowa funkcja przenoszenia zwana funkcją przenoszenia w kształcie namiotu została włączona do algorytmu w celu poprawy jego wydajności. Proponowana funkcja została przetestowana na siedmiu zestawach danych i porównana z tradycyjnymi funkcjami przenoszenia, takimi jak rodzina funkcji w kształcie litery S i rodzina funkcji w kształcie litery V. Wyniki pokazały, że funkcja przenoszenia w kształcie namiotu jest lepsza pod względem dokładności wyboru cech i skuteczniej zmniejsza liczbę cech, co zwiększa zdolność algorytmu do poprawy wydajności i zmniejszenia złożoności obliczeniowej.
Słowa kluczowe:
Bibliografia
[1] Akinola O. O., et al.: Multiclass feature selection with metaheuristic optimization algorithms: a review. Neural Comput & Applic 34, 2022, 19751–19790 [https://doi.org/10.1007/s00521-022-07705-4].
[2] Al-Kababchee S. G. M., Algamal Z. Y., Qasim O. S.: Enhancement of K-means clustering in big data based on equilibrium optimizer algorithm. Journal of Intelligent Systems 32(1), 2023, 20220230.
[3] Al-Kababchee S. G. M., Qasim O. S., Algamal Z. Y.: Improving penalized regression-based clustering model in big data. Journal of Physics: Conference Series 1897, 2021, 012036.
[4] Beheshti Z.: UTF: Upgrade transfer function for binary meta-heuristic algorithms. Applied Soft Computing 106, 2021, 107346.
[5] Brownlee J.: Machine learning mastery. 2022.
[6] Cacchiani V., et al.: Knapsack problems - An overview of recent advances. Part II: Multiple, multidimensional, and quadratic knapsack problems. Computers and Operations Research 143, 2022, 105693.
[7] Emary E., Zawbaa H. M., Hassanien A. E. J. N.: Binary grey wolf optimization approaches for feature selection. Neurocomputing 172, 2016, 371–381.
[8] Ghosh K. K., et al.: Binary social mimic optimization algorithm with x-shaped transfer function for feature selection. IEEE Access 8, 2020, 97890–97906.
[9] Inyanga F. E., Muisyo I. N., Kaberere K. K.: Optimization of dynamic transmission network expansion planning using binary particle swarm optimization algorithm. Bulletin of Electrical Engineering and Informatics 14(2), 2025, 861–873.
[10] Ismael O. M., Qasim O. S., Algamal Z. Y.: A new adaptive algorithm for v-support vector regression with feature selection using Harris hawks optimization algorithm. Journal of Physics: Conference Series 1897, 2021, 012057.
[11] Kaggle, 2024 [https://www.kaggle.com/].
[12] Liu J., et al.: A binary differential search algorithm for the 0–1 multidimensional knapsack problem. Applied Mathematical Modelling 40(23-24), 2016, 9788–9805.
[13] Mafarja M., et al.: Binary dragonfly optimization for feature selection using time-varying transfer functions. Knowledge-Based Systems 161, 2018, 185–204.
[14] Mafarja M., et al.: S-shaped vs. V-shaped transfer functions for ant lion optimization algorithm in feature selection problem. Proceedings of the international conference on future networks and distributed systems. Association for Computing Machinery, New York, NY, USA, 2017, Article 21, 1–7 [https://doi.org/10.1145/3102304.3102325].
[15] Mirjalili S., Lewis A.: S-shaped versus V-shaped transfer functions for binary particle swarm optimization. Swarm Evolutionary Computation 9, 2013, 1–14.
[16] Pudjihartono N., et al.: A review of feature selection methods for machine learning-based disease risk prediction. Frontiers in Bioinformatics 2, 2022, 927312 [https://doi.org/10.3389/fbinf.2022.927312].
[17] Rouhi A., Nezamabadi-Pour H. J. O.: Feature selection in high-dimensional data. Hadi Amini M. (ed.): Optimization, Learning, and Control for Interdependent Complex Networks. Springer, 2020, 85–128.
[18] Sadeghian Z., et al.: A review of feature selection methods based on meta-heuristic algorithms. Journal of Experimental and Theoretical Artificial Intelligence 37(1), 2025, 1–51.
[19] Venkatesh B., Anuradha J.: A Review of Feature Selection and Its Methods. Cybern. Inf. Technol. 19(1), 2019, 3–26 [https://doi.org/10.2478/cait-2019-0001].
[20] Yuan C., et al.: Polar lights optimizer: Algorithm and applications in image segmentation and feature selection. Neurocomputing 607, 2024, 128427.
##plugins.themes.bootstrap3.article.details##
Abstract views: 432
Downloads: 280

