انتخاب ویژگی پایدار و دسته بندی براساس ساختار سلسله مراتبی مبتنی بر چند گونه سازی ازدحام ذرات آشوبی برای داده های ژنتیکی

هرگونه افزایش و تکثیر غیرطبیعی سلولی را تومور گویند. سرطان زمانی اتفاق می افتد که رشد کنترل نشده ای بر روی سلولهای غیرطبیعی در یکی از اعضای بدن به وجود آید. تومورها به دو دسته خوش خیم و بدخیم تقسیم می شوند. با توجه به رشد روزافزون داده های پیرامون بشر، به کارگیری ابزارهایی برای تحلیل این نوع داده ها و دست یابی به دانش نهفته آنها کاری الزامی است. به این دلیل که بشر دیدگاه ذاتی و بصری غیرقابل درکی درباره مسائل با ابعاد بالا و سایز بزرگ پایگاه داده ها دارد، از این رو استفاده از روش های هوشمندانه تاثیر به سزایی در شناخت و درک بهتر بر روی داده های با ابعاد بالا می گذارد. در این مقاله ابتدا با ادغام روش های رتبه بندی، زیرمجموعه ای از ویژگی های پایدار و متمایزکننده انتخاب می گردد و در گام بعدی به کمک یک سیستم فازی به شناسایی و دسته بندی داده های بیولوژیکی از لحاظ خوش خیم و بدخیم بودن آنها می پردازیم. سیستم فازی از نوع Takagi-sugeno-kang) TSK) است. برای دسته بندی نمونه ها از یک ساختار سلسله مراتبی مبتنی بر چندگونه سازی ذرات بر پایه الگوریتم ازدحام ذرات آشوبی برای بهینه سازی سیستم فازی استفاده می کنیم. نشان داده می شود که استفاده از نظریه آشوب در مسائل بهینه سازی با ایجاد تنوع در میان ذرات موجب افزایش صحت شناسایی و دسته بندی نمونه ها می گردد. میزان صحت شناسایی و دسته بندی از نظر بدخیم و خوش خیم بودن بر روی داده های بیولوژیکی بیش از 95 درصد بوده است. بررسی دقت روش پیشنهادی بر روی دو دادگان uci- breast cancer و microarray صورت گرفته است.