Design and evaluation of a new tent-shaped transfer function using the Polar Lights Optimizeralgorithmfor feature selection

• Autorzy: Almishlih Zaynab Ayham , Qasim Omar S. , Algamal Zakariya Y.

Identyfikatory

DOI

10.35784/iapgos.6802

Warianty tytułu

PL

Projektowanie i ocena nowej funkcji przenoszenia w kształcie namiotu przy użyciu algorytmu Polar Lights Optimizer do selekcji cech

• Języki publikacji: EN

Abstrakty

EN

This research aims to develop a new transfer function to transform continuous space to binary space using the Polar Lights Optimizer (PLO) algorithm for the feature selection problem. The PLO algorithm relies on simulating the behaviourof the aurora borealis to achieve a balance in exploring and exploiting binary space. A new transfer function called the tent-shaped transfer function has been incorporated into the algorithm to improve its performance. The proposed function was tested on seven datasets, and compared with traditional transfer functions such as the S-shaped function family and the V-shaped function family. The results showed that the tent-shaped transfer function outperforms in terms of feature selection accuracy and reduces the number of features more effectively, which enhances the algorithm's ability to improve performance and reduce computational complexity.

PL

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 kształcienamiotu została włączona do algorytmu w celu poprawy jego wydajności. Proponowana funkcja została przetestowana na siedmiu zestawach danych iporównanaz 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

EN

feature selection; transfer function; Polar Lights Optimizer; tent-shaped transfer function

PL

selekcja cech; funkcja przenoszenia; Polar Lights Optimizer; funkcja przenoszenia w kształcie namiotu

• Wydawca: Wydawnictwo Politechniki Lubelskiej
• Czasopismo: Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska
• Rocznik: 2025
• Tom: T. 15, nr 2
• Strony: 27--31
• Opis fizyczny: Bibliogr. 20 poz., tab., wykr.

Twórcy

autor

Almishlih Zaynab Ayham

• University of Mosul, Department of Mathematics, Mosul, Iraq

• https://orcid.org/0009-0007-0937-0875+

autor

Qasim Omar S.

• University of Mosul, Department of Mathematics, Mosul, Iraq

• https://orcid.org/0000-0003-3301-6271+

autor

Algamal Zakariya Y.

• University ofMosul, Department of Statistics and Informatics, Mosul, Iraq

• https://orcid.org/0000-0002-0229-7958+

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 metaheuristic 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-20190001].
• [20] Yuan C., et al.: Polar lights optimizer: Algorithm and applications in image segmentation and feature selection. Neurocomputing 607, 2024, 128427.