حل مسئله رگرسیون خطی با الگوریتم فرا ابتکاری ژنتیک

رایج‌ترین روش آماری برای برآورد روابط علت و معلولی بین متغیرها رگرسیون خطی است . در حقیقت رگرسیون خطی یک نوع مدل آماری است که در آن متغیر وابسته به صورت ترکیب خطی از متغیرهای مستقل پیش‌بینی می‌شوند. میزان تاثیر هر متغیر مستقل بر متغیر وابسته را پارامتر می‌نامیم و هدف از حل مسئله رگرسیون بدست آوردن همین پارامترها است. روش حداقل مربعات معمولی (ols) به طور کلی برای تخمین پارامترهای مدل رگرسیون خطی استفاده می‌شود. حال اینکه در دنیای واقعی با مسائلی مواجه هستیم که ابعاد بالایی دارند، از اینرو نیاز به صرف هزینه و زمان بسیاری برای حل آن‌ها (یافتن مقدار بهینه پارامترها) داریم. به عبارتی با یک مسئله بهینه‌سازی مواجه هستیم که از بین تمامی جواب‌های ممکن در فضای پارامتر در جستجوی بهینه‌ترین جواب است. طی چند سال اخیر الگوریتم‌های فرا ابتکاری زیادی برای حل این‌گونه مسائل بهینه‌سازی مورد بررسی قرار گرفته‌اند. در این مقاله با شبیه‌سازی اصلی‌ترین مفاهیم بیولوژیکی علم ژنتیک روی مسائل محاسباتی به یک الگوریتم قدرتمند بهینه‌سازی می‌رسیم که از آن برای تخمین پارامترهای مدل رگرسیون خطی مورد بحث استفاده خواهیم کرد.