آیا به دنبال یک پروژه کامل و آماده برای درس هوش مصنوعی، یادگیری عمیق یا تحلیل داده هستید؟ پیش‌بینی بازارهای مالی همواره یکی از جذاب‌ترین و در عین حال چالش‌برانگیزترین موضوعات در علوم کامپیوتر بوده است. در این پروژه، ما با استفاده از شبکه عصبی LSTM (Long Short-Term Memory) که قدرتمندترین الگوریتم برای تحلیل داده‌های سری زمانی است، مدل هوشمندی طراحی کرده‌ایم که می‌تواند روند قیمت سهام را پیش‌بینی کند.

چرا این پروژه برای شما مناسب است؟

بسیاری از کدهای موجود در اینترنت ناقص هستند یا راهنمای درستی ندارند. ما در سایت computerprojects.ir، این پروژه را به گونه‌ای آماده کرده‌ایم که حتی اگر دانش فنی بالایی نداشته باشید، بتوانید آن را اجرا کرده و به استاد ارائه دهید.

ویژگی‌های شاخص این محصول:

• داده‌های واقعی و بروز: دریافت مستقیم داده‌ها از Yahoo Finance (قابل تغییر به هر نمادی مثل تسلا، اپل، بیت‌کوین و…).
• توضیحات فارسی: تمامی خطوط کد به صورت فارسی کامنت‌گذاری شده‌اند.
• گزارش کار جامع  (Word): بیش از ۱۵ صفحه توضیحات علمی، فرمول‌های ریاضی و تحلیل نمودارها.
• آموزش اجرا: راهنمای کامل استفاده از Google Colab.

محتویات پکیج دانلودی

پس از خرید این محصول، فایل ZIP شامل موارد زیر را بلافاصله دریافت می‌کنید:

1. فایل کد نوت‌بوک (ipynb.): آماده اجرا در گوگل کولب.
2. فایل اسکریپت پایتون (py.):  برای اجرا در سیستم شخصی.
3. داکیومنت Word و PDF: گزارش کامل پروژه با فرمت استاندارد دانشگاهی.
4. فایل Requirements: لیست کتابخانه‌های لازم برای نصب.
5. فایل راهنما: راهنمای کوتاه برای نحوه اجرا و گرفتن خروجی.

سرفصل‌های داکیومنت همراه پروژه

• تشریح معماری شبکه عصبی LSTM و گیت‌های آن.
• شرح گام‌به‌گام پیاده‌سازی پروژه
• معماری شبکه عصبی طراحی شده
• تجزیه و تحلیل نتایج

نوشته پروژه آماده پیش‌بینی بورس با یادگیری عمیق (LSTM) در پایتون + گزارش کار اولین بار در پروژه کامپیوتری. پدیدار شد.

ویژگی‌های کلیدی کد:

• معماری ترکیبی CNN-GRU با مکانیسم توجه:
  • لایه CNN: برای استخراج خودکار ویژگی‌های فضایی و الگوهای محلی از داده‌های ورودی سری زمانی به کار می‌رود. استفاده از هسته‌های کانولوشنال یک‌بعدی ([۱, ۱]) امکان تحلیل ویژگی‌ها در طول زمان را فراهم می‌کند.
  • لایه GRU: به عنوان یک شبکه عصبی بازگشتی، قادر به یادگیری وابستگی‌های بلند-مدت در داده‌های دنباله‌ای است و اطلاعات مهم گذشته را برای پیش‌بینی‌های آتی حفظ می‌کند.
  • مکانیسم توجه (Attention Mechanism): با اعمال وزن‌های متفاوت به بخش‌های مختلف داده‌های ورودی، به مدل اجازه می‌دهد تا بر مهم‌ترین اطلاعات برای انجام پیش‌بینی تمرکز کند و از اطلاعات غیرضروری چشم‌پوشی نماید. این مکانیسم با استفاده از لایه‌های Fully Connected و تابع فعال‌سازی Sigmoid پیاده‌سازی شده است.
• پیش‌پردازش داده‌های کامل: شامل مراحل خواندن داده از فایل اکسل، نرمال‌سازی داده‌ها با روش mapminmax برای بهبود فرآیند آموزش، و تقسیم داده‌ها به مجموعه‌های آموزش و آزمایش به منظور ارزیابی عملکرد مدل.
• آماده‌سازی داده‌های ساختاریافته: تبدیل داده‌های نرمال‌شده به ساختار مناسب برای ورودی به شبکه CNN (تبدیل به آرایه ۴ بعدی) و سپس آماده‌سازی به صورت سلول‌های ماتریسی برای آموزش شبکه بازگشتی.
• تنظیمات آموزش انعطاف‌پذیر: امکان تنظیم پارامترهای کلیدی فرآیند آموزش شبکه عصبی از جمله الگوریتم بهینه‌ساز Adam، تعداد دوره‌های آموزش (Epochs)، نرخ یادگیری اولیه و زمان‌بندی کاهش نرخ یادگیری.
• ارزیابی جامع عملکرد مدل: محاسبه و نمایش شاخص‌های ارزیابی عملکرد مدل شامل:
  • جذر میانگین مربعات خطا (RMSE): سنجه‌ای از میزان پراکندگی خطاهای پیش‌بینی.
  • میانگین مربعات خطا (MSE): میانگین مربعات تفاوت بین مقادیر واقعی و پیش‌بینی‌شده.
  • ضریب تعیین (R2): نشان‌دهنده میزان واریانس داده که توسط مدل قابل توضیح است.
  • نسبت انحراف معیار به خطای پیش‌بینی (RPD): معیاری برای ارزیابی قابلیت پیش‌بینی مدل.
  • میانگین قدر مطلق خطا (MAE): میانگین قدر مطلق تفاوت بین مقادیر واقعی و پیش‌بینی‌شده.
  • میانگین قدر مطلق درصد خطا (MAPE): میانگین درصد خطای پیش‌بینی.
• تصاویر بصری گویا: ارائه نمودارهای رگرسیون، هیستوگرام خطا، مقایسه مقادیر واقعی و پیش‌بینی‌شده در مجموعه‌های آموزش و آزمایش، و نمودارهای برازش خطی برای ارزیابی کیفی عملکرد مدل.
• نمایش ساختار شبکه: امکان مشاهده ساختار دقیق شبکه عصبی طراحی‌شده (با استفاده از analyzeNetwork).
• خروجی سازمان‌یافته نتایج: نمایش تمامی شاخص‌های ارزیابی عملکرد مدل به صورت منظم در پنجره دستور متلب.

کاربردهای بالقوه:

این کد به دلیل دقت و کارایی بالا در تحلیل و پیش‌بینی سری‌های زمانی، در زمینه‌های متنوعی قابل استفاده است:

• پیش‌بینی بازارهای مالی: تحلیل روند قیمت سهام، ارزهای دیجیتال و سایر دارایی‌ها.
• پیش‌بینی تقاضا و فروش: تخمین میزان تقاضا برای محصولات و خدمات در صنایع مختلف.
• پیش‌بینی مصرف انرژی: مدل‌سازی و پیش‌بینی بار الکتریکی و سایر منابع انرژی.
• پیش‌بینی شرایط آب و هوایی: تحلیل داده‌های هواشناسی و پیش‌بینی تغییرات جوی.
• تشخیص ناهنجاری: شناسایی الگوهای غیرعادی در داده‌های سری زمانی صنعتی یا مالی.
• پیش‌بینی ترافیک: تخمین حجم ترافیک در شبکه‌های حمل و نقل.
• تحلیل سیگنال: پردازش و پیش‌بینی سیگنال‌های مختلف در مهندسی و علوم.

مخاطبان:

این کد برای محققان، مهندسان، تحلیلگران داده، دانشجویان و متخصصانی که در زمینه‌های یادگیری ماشین، هوش مصنوعی و پیش‌بینی سری‌های زمانی فعالیت می‌کنند و به دنبال یک راهکار پیشرفته و قابل تنظیم در محیط متلب هستند، ایده‌آل است.

مزایای استفاده از این کد:

• پیاده‌سازی آماده و کارآمد: صرفه‌جویی در زمان و تلاش برای توسعه مدل پیشرفته از ابتدا.
• دقت پیش‌بینی بالا: بهره‌گیری از معماری CNN-GRU با مکانیسم توجه برای دستیابی به نتایج دقیق‌تر.
• انعطاف‌پذیری و قابلیت تنظیم: امکان سفارشی‌سازی ساختار شبکه و پارامترهای آموزش بر اساس نیازهای خاص.
• ارزیابی جامع عملکرد: ارائه شاخص‌های کمی و کیفی متعدد برای درک کامل عملکرد مدل.
• سازگاری کامل با متلب: استفاده آسان برای کاربران آشنا با محیط برنامه‌نویسی متلب.

نوشته کد متلب پیش‌بینی سری زمانی با CNN-GRU اولین بار در پروژه کامپیوتری. پدیدار شد.

توضیح روش

ویژگی‌های کلیدی کد:

• پیش‌پردازش داده‌های انعطاف‌پذیر: کد شامل مراحل کاملی برای وارد کردن داده‌ها از فایل اکسل (.xlsx)، نرمال‌سازی داده‌ها با استفاده از روش mapminmax برای بهبود عملکرد آموزش شبکه، و همچنین تصادفی‌سازی و تقسیم داده‌ها به مجموعه‌های آموزش و آزمایش (P_train, T_train, P_test, T_test).
• ساختار شبکه عصبی ترکیبی CNN-BiLSTM:
  • بخش CNN: از لایه‌های کانولوشنال (convolution2dLayer) با هسته‌های یک‌بعدی ([۱, ۱]) و توابع فعال‌سازی ReLU برای استخراج ویژگی‌های مهم از داده‌های ورودی استفاده می‌کند. لایه globalAveragePooling2dLayer برای کاهش ابعاد ویژگی‌ها به کار رفته است.
  • بخش BiLSTM: پس از گذراندن داده‌ها از لایه‌های Folding و Unfolding برای مدیریت ساختار دنباله‌ای، از یک لایه BiLSTM) bilstmLayer) با قابلیت یادگیری وابستگی‌های بلند-مدت در هر دو جهت زمانی استفاده می‌شود.
  • لایه ادغام و پیش‌بینی: از لایه‌های Fully Connected) fullyConnectedLayer) و تابع فعال‌سازی سیگموید (sigmoidLayer) برای تولید خروجی نهایی و لایه Regression) regressionLayer) برای انجام وظیفه پیش‌بینی استفاده شده است. لایه multiplicationLayer امکان ترکیب خروجی‌های مختلف شبکه را فراهم می‌کند.
• تنظیمات آموزش قابل سفارشی‌سازی: کاربر می‌تواند پارامترهای مهم آموزش شبکه عصبی از جمله الگوریتم بهینه‌ساز (در اینجا Adam)، حداکثر تعداد دوره‌های آموزش (MaxEpochs)، نرخ یادگیری اولیه (InitialLearnRate) و زمان‌بندی کاهش نرخ یادگیری (LearnRateSchedule, LearnRateDropFactor, LearnRateDropPeriod) را به دلخواه تنظیم کند.
• ارزیابی جامع عملکرد مدل: پس از آموزش، کد به طور خودکار نتایج پیش‌بینی مدل بر روی مجموعه آموزش و آزمایش را ارزیابی می‌کند. این ارزیابی شامل موارد زیر است:
  • نمودارهای رگرسیون (plotregression) برای تجسم رابطه بین مقادیر واقعی و پیش‌بینی‌شده.
  • هیستوگرام خطا (ploterrhist) برای بررسی توزیع خطاهای پیش‌بینی.
  • محاسبه شاخص‌های آماری کلیدی: شامل جذر میانگین مربعات خطا (Root Mean Square Error – RMSE)، ضریب تعیین (R2)، میانگین مربعات خطا (Mean Square Error – MSE)، نسبت انحراف معیار به خطای پیش‌بینی (Ratio of Prediction to Deviation – RPD)، میانگین قدر مطلق خطا (Mean Absolute Error – MAE) و میانگین قدر مطلق درصد خطا (Mean Absolute Percentage Error – MAPE).
• تصاویر بصری گویا: کد نمودارهای متعددی را برای مقایسه مقادیر واقعی و پیش‌بینی‌شده در مجموعه‌های آموزش و آزمایش، نمودار خطای پیش‌بینی در مجموعه آزمایش و نمودارهای برازش خطی برای هر دو مجموعه ارائه می‌دهد.
• نمایش ساختار شبکه: امکان مشاهده ساختار دقیق شبکه عصبی طراحی‌شده با استفاده از analyzeNetwork(net) فراهم شده است (در کد فعلی به صورت کامنت درآمده است).
• خروجی منظم نتایج: شاخص‌های ارزیابی عملکرد مدل به صورت سازمان‌یافته در پنجره دستور متلب نمایش داده می‌شوند.

کاربردهای بالقوه:

این کد می‌تواند در زمینه‌های متنوعی که نیاز به پیش‌بینی سری‌های زمانی دارند، مورد استفاده قرار گیرد، از جمله:

• پیش‌بینی بازارهای مالی: تحلیل و پیش‌بینی قیمت سهام، ارزهای دیجیتال و سایر دارایی‌های مالی.
• پیش‌بینی تقاضا: تخمین میزان تقاضا برای محصولات و خدمات در صنایع مختلف.
• پیش‌بینی بار الکتریکی: تخمین میزان مصرف برق در شبکه‌های توزیع.
• پیش‌بینی آب و هوا: تحلیل الگوهای آب و هوایی و پیش‌بینی شرایط جوی.
• تشخیص الگو و ناهنجاری: شناسایی الگوهای غیرعادی در داده‌های سری زمانی.
• مهندسی و علوم: پیش‌بینی رفتار سیستم‌های پیچیده و متغیرهای مهندسی و علمی.

مخاطبان:

این کد برای محققان، مهندسان، دانشجویان و متخصصانی که در زمینه‌های یادگیری ماشین، داده‌کاوی و پیش‌بینی سری‌های زمانی فعالیت می‌کنند و به دنبال یک راهکار قدرتمند و قابل تنظیم در محیط متلب هستند، مناسب است.

نحوه استفاده:

1. داده‌های خود را در یک فایل اکسل با نام data00.xlsx ذخیره کنید. اطمینان حاصل کنید که ستون آخر فایل شامل مقادیر خروجی (هدف) است.
2. کد متلب ارائه شده را در محیط متلب اجرا کنید.
3. نتایج پیش‌بینی و شاخص‌های ارزیابی عملکرد مدل در پنجره‌های figure و command window نمایش داده خواهند شد.
4. برای تنظیم پارامترهای آموزش یا ساختار شبکه، بخش‌های مربوطه در کد را ویرایش کنید.

مزایای استفاده از این کد:

• پیاده‌سازی آماده و قابل استفاده: صرفه‌جویی در زمان و تلاش برای پیاده‌سازی الگوریتم از صفر.
• انعطاف‌پذیری بالا: امکان سفارشی‌سازی ساختار شبکه و پارامترهای آموزش بر اساس نیازهای خاص.
• ارزیابی جامع عملکرد: ارائه شاخص‌های متعدد و نمودارهای بصری برای درک بهتر نتایج پیش‌بینی.
• استفاده از تکنیک‌های پیشرفته یادگیری عمیق: بهره‌گیری از قدرت شبکه‌های CNN و BiLSTM برای مدل‌سازی داده‌های پیچیده.
• سازگاری با محیط متلب: استفاده آسان برای کاربران آشنا با نرم‌افزار متلب.

نوشته کد متلب پیشرفته با استفاده از شبکه عصبی کانولوشنال-بازگشتی (CNN-BiLSTM) اولین بار در پروژه کامپیوتری. پدیدار شد.

توضیح روش

انتخاب ویژگی رپر[۱] برای کار طبقه­بندی شامل سه جزء اصلی زیر است: یک الگوریتم جستجو، یک الگوریتم یادگیری و یک اندازه­گیری ارزیابی. یکی از ویژگی­های متمایز رویکرد انتخاب ویژگی رپر، این است که کل فرآیند یادگیری را در بر می­گیرد. به این روش زیرمجموعه ویژگی­های انتخاب شده را ارزیابی میکند. در طراحی روش، الگوریتم گرگ خاکستری  به عنوان یک الگوریتم جستجو برای یافتن بهترین زیرمجموعه از ویژگی‌ها استفاده میشود. KNN  نیز به عنوان یک الگوریتم یادگیری و تابع هزینه به عنوان معیار ارزیابی اعمال می‌گردد. شکل (۱) نمایی از رویکرد انتخاب ویژگی رپر را نشان می دهد.

انتخاب ویژگی با الگوریتم گرگ خاکستری

مسئله انتخاب ویژگی در حالت کلی دارای راه حل قطعی نمی‌باشد و تاکنون روشی دقیق برای حل این مسئله ارائه نشده است. الگوریتم‌های فراابتکاری یک نمونه از رویکردهای اکتشافی هستند که از عهده مسائل انتخاب ویژگی به‌خوبی برمی‌آیند. بنابراین در روش پیشنهادی، به‌منظور بهبود شناسایی پروفایل­های جعلی، روشی ارائه می‌گردد که ویژگی‌های آن به‌صورت بهینه با استفاده از یک الگوریتم فراابتکاری به‌نام الگوریتم گرگ خاکستری انتخاب شده‌ است.

در فایل ورد این محصول، توضیح کامل روش انتخاب ویژگی با استفاده از الگوریتم گرگ خاکستری، ارائه می‌گردد.

[۱] Wrapper

نوشته انتخاب ویژگی با گرگ خاکستری اولین بار در پروژه کامپیوتری. پدیدار شد.

توضیح روش

     در مرحله انتخاب ویژگی[۱] روش پیشنهادی از الگوریتم ماشین بردار پشتیبان به عنوان تابع هزینه و الگوریتم بهینه سازی به عنوان استراتژی جستجو اعمال شده است. در شکل (۱) جریان انتخاب ویژگی با استفاده از الگوریتم رقابت استعماری و ماشین بردار پشتیبان بر اساس رپر نشان داده شده است.

انتخاب ویژگی با رقابت استعماری

مسئله انتخاب ویژگی در حالت کلی دارای راه حل قطعی نمی‌باشد و تاکنون روشی دقیق برای حل این مسئله ارائه نشده است. الگوریتم‌های فراابتکاری یک نمونه از رویکردهای اکتشافی هستند که از عهده مسائل انتخاب ویژگی به‌خوبی برمی‌آیند. بنابراین در روش پیشنهادی، به‌منظور بهبود تشخیص حملات فیشینگ، روشی ارائه می‌گردد که ویژگی‌های آن به‌صورت بهینه با استفاده از یک الگوریتم فراابتکاری به‌نام الگوریتم رقابت استعماری[۲] انتخاب شده‌ است. مراحل روش انتخاب ویژگی در شکل (۲) نمایش داده شده است.

[۱] Feature Selection

[۲] Imperialist Competitive Algorithm – ICA

نوشته انتخاب ویژگی با استفاده از رقابت استعماری اولین بار در پروژه کامپیوتری. پدیدار شد.

توضیح روش

در این پروژه، الگوریتم جستجوی فاخته[۱]، برای بهینه­سازی شبکه عصبی، استفاده شده است. بطور خاص­تر، شبکه عصبی بعنوان تابع هدف بررسی می­شود و وزن­ها و بایاس^[۲] بوسیله روش الگوریتم فاخته بهینه­سازی شده تا وزن­های بهینه و بایاس، بدست آیند. بهترین وزن­ها و بایاس، برای ساخت شبکه عصبی بهتر از شبکه عصبی پایه، مناسب می­باشند.

فرایند شبکه عصبی که بوسیله­ی جستجوی فاخته بهینه شده، به سه بخش تقسیم می­شود: تعیین ساختار شبکه عصبی، بدست آوردن بهترین وزن­ها و بایاس از طریق الگوریتم فاخته و پیش بینی با شبکه عصبی است.

ساختار شبکه عصبی در بخش اول، بر پایه تعداد پارامترهای ورودی و خروجی تعیین شده و سپس طول هر عضو فاخته در الگوریتم فاخته، بر همان اساس تعیین می­شود.

در بخش دوم، الگوریتم فاخته برای بهینه­سازی وزن­ها و بایاس شبکه عصبی، استفاده می­شود. هر عضو در جمعیت فاخته، شامل همه وزن­ها و بایاس موجود در شبکه عصبی می­باشد. الگوریتم فاخته، موارد زیر را پیاده­سازی می­کند: مقداردهی الگوریتم فاخته، تعیین تابع ارزیابی، عملگر بروزرسانی موقعیت، عملگر انتخاب، عملگر جایگزینی و عملگر حذف. بدین صورت، عضو فاخته که دارای بهترین شایستگی می­باشد، پیدا می­شود. این فرآیند بهینه­سازی تا زمانی تکرار می­شود که بایاس و وزن­های رضایت­بخش پیدا شوند. در بخش آخر، شبکه عصبی با بایاس و وزن­های بهینه ساخته شده و برای پیش­بینی خروجی آموزش داده می­شود. بر اساس تحلیل فوق، فلوچارت الگوریتم شبکه عصبی و فاخته، را می­توان همانند شکل زیر طراحی کرد.

شبکه عصبی

شبکه عصبی در الگوریتم ترکیبی، مشابه با شبکه عصبی عادی می­باشد، و مراحل دقیق آن­را می‌توان بصورت زیر نشان داد.

1. تعیین ساختار شبکه عصبی: وزن‌ها و بایاس، بطور تصادفی، مقداردهی می­شوند و سپس، بر اساس الگوریتم  فاخته کدبندی می­شوند. وزن‌ها و  بایاس کدبندی  شده بعنوان ورودی فاخته برای بهینه­سازی شبکه عصبی استفاده می­شوند که از الگوریتم فاخته پیروی می­کند.
2. ساخت شبکه پس انتشار بهینه شده با الگوریتم فاخته[۱]: وزن­های بهینه و بایاس بدست آمده از الگوریتم فاخته، برای ساخت شبکه CSBP استفاده می­شوند. مجموعه آموزشی، برای آموزش شبکه استفاده شده و خطای آموزش محاسبه می­گردد. وقتی خطای آموزش مطابق با پیش نیازهای مربوطه باشد آموزش شبکه CSBP متوقف می شود.
3. خروجی پیش بینی شده: مجموعه تست، بعنوان ورودی شبکه CSBP آموزش دیده به منظور پیش­بینی خروجی استفاده می­شود.

[۱] Back Propagation Optimization by Cuckoo Search Algorithm (CSBP)

[۱] Cuckoo search (cs)

[۲] Bias

نوشته شبکه عصبی بهینه شده با الگوریتم فاخته اولین بار در پروژه کامپیوتری. پدیدار شد.

توضیح روش

ابتدا با استفاده از توابع موجود در نرم‌افزار متلب، ماتریسی تصادفی شامل اعداد صفر و یک تولید می‌شود که صفر نشان‌دهنده عدم انتخاب ویژگی و یک نشانه انتخاب ویژگی می‌باشد. تعداد سطر این ماتریس برابر تعداد طول بردار ویژگی و تعداد ستون آن برابر تعداد الگوهای انتخابی است که برای حل مسأله درنظر گرفته می‌شوند. سپس با استفاده از هر الگوی انتخابی، ویژگی‌ها کاهش می‌یابند و با تابع برازندگی مقدار شایستگی الگو محاسبه می‌گردد. در روش پیشنهادی از تابع برازندگی ماشین بردار پشتیبان می‌باشد. جمعیت نیز بر­اساس شایستگی و احتمال بدست آمده برای هر الگو بروز­رسانی می‌شود. در ادامه کارکرد عملگرهای ترکیب و جهش بیان می‌گردند.

عملگر ترکیب

     این عملگر با استفاده از دو والد دو فرزند تولید می‌نماید. به­همین منظور قسمتی از بیت‌های والدین در فرزند کپی می‌شود. انتخاب این بیت‌ها که از والدین به فرزند انتقال می‌یابد به سه روش صورت می‌پذیرد. yun.ir/mxcxu.

• روش اول ترکیب تک‌نقطه‌ای: در این روش الگوها جفت‌جفت انتخاب شده و به عنوان والد در نظر گرفته می‌شوند. سپس یک نقطه تصادفی و برابر، برای هر دو رشته در طول رشته والدین، انتخاب شده و رشته والدین در این نقطه به دو رشته تبدیل می‌شود. رشته فرزندان به این روش تولید می‌شود که هر فرزند از ترکیب قطعه اول از والد اول و قطعه دوم از والد دوم کسب می‌شود.
• روش دوم ترکیب دونقطه‌ای: این روش نیز مانند روش قبل است اما در این روش بجای انتخاب یک نقطه، دو نقطه را برای تولید فرزندان انتخاب می‌نماییم. در این روش تغییرات در نسل‌ها آهسته‌تر است که نسبت به روش قبل مناسب­تر می­باشد.
• 
• روش سوم ترکیب یکنواخت: در این روش چند نقطه در طول رشته والدین انتخاب می‌شود و عمل تولید فرزندان صورت می‌پذیرد. برای این روش در محیط متلب چند ماسک ثابت تعریف می‌شود و با استفاده از این ماسک‌ها عملیات انتقال و تولید انجام می‌گیرد.

عملگر جهش

      این عملگر برای ایجاد فرزند از یک والد استفاده می‌‌کند که با ایجاد تغییرات اندکی در رشته اولیه، نسل بعد تولید می‌شود. در این روش با استفاده از یک توزیع یکنواخت یک بیت به صورت تصادفی انتخاب می‌شود و مقدار آن معکوس می‌گردد.

عملگر Mutation پس از اعمال عملگر Crossover اعمال می‌شود.

انتخاب جمعیت

     پس از اینکه مقدار شایستگی جمعیت اولیه کسب شد، باید نحوه‌ی تولید نسل را در جمعیتی که مقدار شایستگی بهتری دارد، از جمعیتی که مقدار شایستگی کمتری دارد، جدا نمود. برای این منظور پس از محاسبه مقدار برازندگی برای هر الگو مقدار احتمال یک الگو برای شرکت در نسل بعدی، بسته به مقدار شایستگی بدست آمده برای آن الگو، بدست آورده می‌شود. در ادامه پس از بروزرسانی الگوهای انتخابی بار دیگر مقدار شایستگی هر الگو را بدست آورده و این مراحل تکرار می‌شوند. شرط خاتمه نیز مقدار تکرار مشخص می‌باشد.

نوشته انتخاب ویژگی با استفاده از الگوریتم ژنتیک اولین بار در پروژه کامپیوتری. پدیدار شد.

انتخاب ویژگی برای کاهش اندازه داده‌ها با حذف ویژگی‌هایی که برای تجزیه و تحلیل مناسب نیستند، انجام می‌گیرد. روشهای انتخاب ویژگی کارآمد با کاهش حجم داده‌ها و زمان صرف شده در تجزیه و تحلیل طبقه‌بندی، افزایش عملکرد را به دست می‌دهد.

دقت طبقه‌بندی و تعداد ویژگی‌های انتخاب شده، دو معیار اصلی مورد استفاده برای طراحی یک تابع شایستگی می‌باشد. بنابراین، برای ذره با دقت طبقه‌بندی بالا و تعداد اندکی ویژگی، مقدار شایستگی بالایی تولید می‌شود.

تابع شایستگی در الگوریتم‌های بهینه‌سازی برای هدایت کل الگوریتم به پاسخ بهینه کل مورد بهره قرار می‌گیرد. برای این منظور تاکنون از توابع مختلفی نظیر فاصله اقلیدسی استفاده شده است. در روش پیشنهادی از طبقه‌بند ماشین بردار پشتیبان برای محاسبه تابع شایستگی استفاده شد. پارامترهای ماشین بردار پشتیبان مربوط به هر الگو ذخیره می‌گردد. الگویی که بهترین مقدار شایستگی را بدست آورده، به عنوان الگوی بهینه‌ی سراسری  G_best و تمام الگوها را به عنوان بهینه شخصی P_best نگه داشته و برای تکرارهای بعدی استفاده می‌شوند. مقدار P_best کسب شده در تکرار قبلی، به عنوان جمعیت اولیه یا الگوی انتخابی اولیه در تکرار بعدی استفاده می‌شود. سپس الگوها بر اساس معادلات (۱) و (۲) بروزرسانی شده و در این مرحله تمام الگوها بر اساس سرعت و پارامترهای اینرسی و   و   انتخابی به سمت الگوی بهتر یعنی G_best حرکت می‌کنند.

(۱)      vi(t+1)=w*v(t)+c1*Rand*(P_best-Xi)+c2*Rand*(G_best-Xi)

(۲)                                                           Xi(t+1)=Xi(t)+Vi(t+1)

در روابط بالا  w وزن اینرسی، c1 و c2 عوامل یادگیری که به ضرایب شتاب نیز مشهورند و مقدار  یک عدد تصادفی در بازه (۰,۱) می‌باشد. رابطه (۱) شامل جمع سه عبارت است که عبارت اول نسبتی از سرعت جاری ذره است و به همراه عبارت دوم که متناسب با تفاضل مکان پرنده با بهترین موقعیت قبلی آن و عبارت سوم که تفاضل مکان آن با بهترین جواب در میان کل جمعیت است و باعث هدایت سرعت جدید ذره به سمت جواب بهینه می‌شود.

در هر تکرار پس از بدست آوردن  P_bestو مقدار شایستگی، مقدار شایستگی جدید با شایستگی قبلی مقایسه شده برای هر درایه از بردار شایستگی اگر شایستگی بدست آمده بزرگتر از درایه متناظر قبلی خود باشد الگوی مربوط به آن درایه را از ماتریس الگوی P_best جدید انتخاب نموده و با الگوی متناظر خود در P_best قبلی جایگزین می‌کنیم. این مراحل تا زمانی که شرط توقف برقرار نشده ادامه می‌یابد.

نوشته انتخاب ویژگی با الگوریتم بهینه سازی ازدحام ذرات اولین بار در پروژه کامپیوتری. پدیدار شد.