انتخاب ویژگی چندبرچسبه به دلیل وابستگیهای پیچیده برچسب و ابعاد بالای ذاتی در مجموعه دادههای مدرن، چالشهای منحصر به فردی را ایجاد میکند. روشهای ترکیبی سنتی که استراتژیهای فیلتر و پوشش را ترکیب میکنند، اغلب به دلیل طرحهای یکپارچهسازی ایستا و تعامل محدود، عملکرد ضعیفی دارند و منجر به عملکرد و همگرایی غیربهینه به بهینه محلی میشوند. برای غلبه بر این محدودیتها، این پایاننامه یک چارچوب ترکیبی چندهدفه تطبیقی جدید به نام MOMOA (الگوریتم بهینهسازی مغناطیسی چندهدفه) را معرفی میکند که بهطور خاص برای انتخاب ویژگی چندبرچسبی طراحی شده است. روش پیشنهادی با سازوکار فیلتر امتیاز دوگانه آغاز میشود که در آن ارتباط آماری خطی و امتیازدهی تصادفی را برای تولید یک زیرمجموعه ویژگی متنوع و آموزنده ادغام میشود. این زیرمجموعه، فاز پوشش را آغاز میکند، که در آن یک فرایند بهینهسازی تکاملی الهام گرفته از دینامیک نیروی مغناطیسی به طور تکراری راهحلها را اصلاح میکند. MOMOA از یک استراتژی وزندهی تطبیقی زمانی برای متعادل کردن اهداف متناقض متعدد، از جمله دقت طبقهبندی، فشردگی ویژگی و خطای تعمیم استفاده میکند. برخلاف رویکردهای سنتی، این چارچوب یک پیوند بازخورد پویا بین مراحل فیلترینگ و پوششدهنده حفظ میکند که همگرایی منسجم و کارایی جستجوی بهبود یافته را تسهیل میکند. آزمایشها روی یازده مجموعه داده معیار چندبرچسبی، برتری الگوریتم پیشنهادی را در بهبود عملکرد انتخاب ویژگی نشان میدهد و تعادل محکمی بین کارایی محاسباتی و اثربخشی پیشبینی در سناریوهای پیچیده و با ابعاد بالا ایجاد میکند.
