×
    خانه / مطالب ویژه / دسته بندی "الگوریتم های انتخاب ویژگی"
    الگوریتم انتخاب ویژگی مبتنی بر جغرافیای زیستی (BBO)

    الگوریتم انتخاب ویژگی مبتنی بر جغرافیای زیستی (BBO)

    الگوريتم انتخاب ویژگی مبتني بر جغرافياي زيستي (BBO) از خانواده الگوريتم‌‌هاي تكاملي مي باشد و مشابه آن‌‌ها يك الگوريتم انتخاب ویژگی تصادفي سراسري و مبتني بر جمعيت است كه با يك مجموعه اي از راه حل‌‌هاي كانديد در طول هر نسل كار مي كند و تلاش مي كند فضاهاي راه حل بزرگ را به صورت تركيبي با يك رويكرد تصادفي مانند بسياري از الگوريتم‌‌هاي تكاملي كشف كند. ازمزاياي BBO مي توان ديد سراسري و قابليت استخراج خوب آن را نام برد. بر همين اساس، داراي قابليت همگرايي به سمت بهينه سراسري مي باشد .

       ادامه مطلب
    الگوریتم انتخاب ویژگی جستجوی ممنوع (Tabu Search)

    الگوریتم انتخاب ویژگی جستجوی ممنوع (Tabu Search)

    الگوریتم جستجو ممنوعه یا الگوریتم جستجوی ممنوع Taboo search اولین بار توسط فرد گلوور در مقاله ای که در سال 1986 منتشر گردید، ارایه شد. همچنین بعدا دو مقاله از ایشان با نام ساده “جستجو ممنوع” در سال‌های 1989 و 1990 منتشر گردید که در آن، خیلی از کاربردهای جستجو ممنوع را معرفی کرد.

       ادامه مطلب
    الگوریتم انتخاب ویژگی ژنتیک چند هدفه (NSGA-II)

    الگوریتم انتخاب ویژگی ژنتیک چند هدفه (NSGA-II)

    از سال ١٩۶٠ تقلید از موجودات زنده برای استفاده در الگوریتم‌های قدرتمند برای مسایل الگوریتم ژنتیک مورد توجه قرار گرفت که تکنیک‌های محاسبه تکاملی نام گرفتند در واقع می‌توان گفت الگوریتم ژنتیک یک تکنیک برنامه نویسی است که از تکامل ژنتیکی به عنوان یک الگوی حل مساله استفاده می‌کند. هنگامی که لغت تنازع بقا به کار می‌رود اغلب بار ارزشی منفی آن به ذهن می‌آید. شاید هم‌زمان قانون جنگل به ذهن برسد و حکم بقای قوی‌تر! البته برای آن که خیالتان راحت شود می‌توانید فکر کنید که همیشه هم قوی‌ترین‌ها برنده نبوده‌اند؛ مثلا دایناسورها با وجود جثه عظیم در طی روندی کاملا طبیعی بازی بقا را واگذار کرده‌اند در حالی که موجوداتی بسیار ضعیف‌تر از آن‌ها حیات خویش را ادامه داده‌اند. ظاهراً طبیعت بهترین‌ها را تنها بر اساس هیکل انتخاب نمی‌کند! در واقع درستتر است بگوییم طبیعت مناسبترین‌ها (‌fittest) را انتخاب می‌کند نه قویترین‌ها. قانون انتخاب طبیعی بدین صورت است که تنها گونه‌هایی از یک جمعیت ادامه نسل می‌دهند که بهترین خصوصیات را داشته باشند و آن‌هایی که این خصوصیات را نداشته باشند به تدریج ودر طی زمان از بین می‌روند. مثلاً فرض کنید گونه خاصی از افراد هوش بسیار بیشتری از بقیه افراد یک جامعه دارند. در شرایط کاملاً طبیعی این افراد پیشرفت بهتری خواهند کرد و این رفاه خود باعث طول عمر بیشتر و باروری بهتر خواهد بود.

       ادامه مطلب
    الگوریتم انتخاب ویژگی جستجوی هارمونی (Harmony Search)

    الگوریتم انتخاب ویژگی جستجوی هارمونی (Harmony Search)

    الگوریتم جست وجوی هارمونی، یک الگوریتم انتخاب ویژگی است که در سال ۲۰۰۱ توسعه یافت. الگوریتم جست وجوی هارمونی به عنوان یک الگوریتم فر ااکتشافی موفق جهت مسیریابی در شبکه های حسگر بی سیم و در راستای افزایش طول عمر در این نوع شبکه ها است. یکی از سادهترین و جدیدترین روشهای فراابتکاری است که در فرایند جستجوی جواب شدنی بهینه در مسائل انتخاب ویژگی، از فرایند نواختن همزمان گروه ارکستر موزیک الهام گرفته شده است. به عبارت دیگر، میان پیدا کردن یک حل بهینه در مسأله پیچیده و فرایند اجرای موزیک تشابه وجود دارد.این روش حل را ابتدا گیم در سال ۲۰۰۱ میلادی ارائه کرد.

       ادامه مطلب
    الگوریتم انتخاب ویژگی ازدحام ذرات

    الگوریتم انتخاب ویژگی ازدحام ذرات

    در الگوریتم pso تعدادي از موجودات وجود دارند، كه به آن ها ذره گفته ميشود و درفضاي جستجوي تابعي كه قصد كمينه كردن (و يا بهينه كردن) مقدار آن را داريم، پخش شده اند. هر ذره مقدار تابع هدف را در موقعيتي از فضا كه در آن قرار گرفته است، محاسبه مي كند. سپس با استفاده از تركيب اطلاعات محل فعل ياش و بهترين محلي كه در گذشته در آن بوده است و همچنين اطلاعات يك يا چند ذره از بهترين ذرات موجود در جمع، جهتي را براي حركت انتخاب مي كند.

       ادامه مطلب
    الگوریتم انتخاب ویژگی گرگ خاکستری

    الگوریتم انتخاب ویژگی گرگ خاکستری

    الگوریتم گرگ خاکستری گرگ خاکستری به عنوان بالاترین سطح شکارچیان …

       ادامه مطلب
    الگوریتم انتخاب ویژگی ژنتیک

    الگوریتم انتخاب ویژگی ژنتیک

    الگوريتم هاي ژنتيك از اصول انتخاب طبيعي داروين براي يافتن فرمول بهينه جهت پيش بيني يا تطبيق الگو استفاده ميكنند. الگوريتم هاي ژنتيك اغلب گزينه خوبي براي تكنيك هاي پيش بيني بر مبناي رگرسيون هستند.جذابيت زياد الگوريتم هاي ژنتيك اين است نتايج نهايي قابل ملاحظه تري دارند. فرمول نهايي براي كاربر قابل مشاهده خواهد بود و براي ارايه سطح اطمينان نتايج ميتوان تكنيك هاي آماري متعارف را بر روي اين فرمولها اعمال كرد. به اختصار گفته مي شود كه الگوريتم ژنتيك يك فن برنامه نويسي است كه از تكامل ژنتيكي به عنوان يك الگوي حل مساله استفاده ميكند.

       ادامه مطلب
    الگوریتم انتخاب ویژگی سنجاقک

    الگوریتم انتخاب ویژگی سنجاقک

    واقعیت جالب در مورد سنجاقک ها رفتار ازدحامی منحصر به فرد و نادر این حشره می باشد. توده سنجاقک ها تنها برای دو هدف شکل می گیرند: شکار و مهاجرت که شکار را توده استاتیک یا تغذیه می نامند و مهاجرت را توده داینامیک یا مهاجر می نامند. در توده ثابت یا استاتیک سنجاقک ها گروه های کوچکی را تشکیل می دهند و در یک ناحیه کوچک به جلو و عقب حرکت می کنند تا سایر حشرات پرنده مانند پروانه ها و پشه ها را شکار کنند. تحرکات محیطی و تغییرات ناگهانی در مسیر پرواز ازمشخصه های اصلی توده ایستا می باشد.در توده های داینامیک تعداد زیادی از سنجاقک ها یک توده برای مهاجرت در یک جهت و با مسافت طولانی را شکل می دهند.

       ادامه مطلب
    الگوریتم انتخاب ویژگی تبرید

    الگوریتم انتخاب ویژگی تبرید

    در الگوریتم انتخاب ویژگی تبرید (یا تبرید انتخاب ویژگی شده) از فرایند بازپخت که از مباحث رشته متالورژی و مواد محسوب می‌شود، الگو گرفته شده است. انتخاب نام شبیه‌سازی تبرید برای این الگوریتم، ریشه در فرایند دارد که از آن تقلید می‌کند. در بهینه‌سازی نیز مانند فرایند انیلینگ، آنچه در بخش پیشین پیرامون بازپخت مواد بیان شد، برای حل مسائل قابل انجام است. یعنی در واقع، جواب‌های یک مساله به خوبی گرم می‌شوند و با نوسانات زیادی تغییر می‌کنند؛ سپس، به تدریج دامنه تغییرات کم می‌شود و در واقع یک سری شیار به سمت جواب بهینه ساخته می‌شوند. الگوریتم انتخاب ویژگی تبرید برای اولین بار در سال ۱۹۸۳، توسط «کریک‌پاتریک» (Kirkpatrick) و همکاران معرفی شد. شایان ذکر است، الگوریتم انتخاب ویژگی تبرید از جمله الگوریتم‌های فراابتکاری (فراتکاملی یا فرااکتشافی یا Metaheuristic) محسوب می‌شود. در الگوریتم انتخاب ویژگی تبرید، از روش احتمالاتی برای حل مساله بهینه‌سازی استفاده می‌شود.

       ادامه مطلب
    الگوریتم انتخاب ویژگی کرم شب تاب (Firefly Algorithm)

    الگوریتم انتخاب ویژگی کرم شب تاب (Firefly Algorithm)

    الگوریتم انتخاب ویژگی کرم شتاب Firefly Algorithm Optimization، و یا به اختصار الگوریتم کرم شتاب Firefly Algorithm، از رفتارکرم شتاب های طبیعی که در مجموعه ها بزرگ در کنار هم زندگی می کنند الهام گرفته شده است و یکی از الگوریتم های بسیار کارآمد در حل مسائل بهینه سازی ترکیبی است. الگوریتم های دیگری نیز بر اساس الگوریتم کرم شتاب ها ساخته شده اند که همگی سیستم های چند عاملی Multi Agent هستند و عامل ها کرم های شتاب های مصنوعی یا به اختصار کرم شتاب هایی هستند که مشابه با کرم های شتاب واقعی رفتار می کنند. الگوریتم کرم شتاب ، یک مثال بارز از هوش جمعی هستند که در آن عامل هایی که قابلیت چندان بالایی ندارند، در کنار هم و با همکاری یکدیگر می توانند نتایج بسیار خوبی به دست بیاورند.

       ادامه مطلب
    الگوریتم انتخاب ویژگی ازدحام گربه های پیشرفته

    الگوریتم انتخاب ویژگی ازدحام گربه های پیشرفته

    در تکنیک انتخاب ویژگی ازدحام گربه ها، دو رفتار اصلی آنها، با دو زیر مدل بنام حالت ردیابی و جستجو مدل شده است. با روشی از ترکیب این دو حالت به نسبت تعریف شده، الگوریتم انتخاب ویژگی ازدحام گربه ها، عملکرد خوبی را از خود نشان می دهد. در این الگوریتم، همانند انتخاب ویژگی ازدحام ذرات، مکان گربه ها گویای یک پاسخ است و این الگوریتم با استفاده از گربه ها و مدل کردن رفتار آنها به حل مسائل انتخاب ویژگی می پردازد. در انتخاب ویژگی ازدحام گربه ها ابتدا تصمیم گرفته می شود که از چند گربه استفاده شود هر گربه دارای موقعیتی است که دارای M بعد می باشد. در کنار این موقعیت هر گربه دارای یک سرعت برای هر بعد و یک مقدار برازندگی است که نشان دهنده میزان برازندگی آن گربه می باشد. این برازندگی توسط تابع برازش بدست می ید همچنین علاوه بر موارد ذکر شده، هر گربه دارای یک نشانه پرچم نیز می باشد که برای شناسائی اینکه گربه در حالت ردیابی و یا در حالت جستجو است، بکار می رود.

       ادامه مطلب
    الگوریتم انتخاب ویژگی قطره های آب

    الگوریتم انتخاب ویژگی قطره های آب

    الگوریتم چکه آب های هوشمند یا چکاه (Intelligent Water Drops)، یک الگوریتم انتخاب ویژگی بر پایه هوش گروهی است. الگوریتم چکه، الگوریتمی است که به گونه گروهی کار می‌کند و الهام گرفته از طبیعت است. این الگوریتم در اصل برای انتخاب ویژگی ترکیبیاتی (Combinatorial optimization) به کار برده می‌شود ولی می‌توان آن را برای انتخاب ویژگی پیوسته (Continuous optimization) نیز آماده ساخت. این الگوریتم نخستین بار در سال ۲۰۰۷ میلادی، برابر ۱۳۸۶ خورشیدی برای یافتن گشایش و راه حل برای مسأله فروشنده دوره‌گرد پیشنهاد شد. از آن پس، شماری از پژوهشگران در پی بهبود و به کار بستن این الگوریتم برای مشکل‌ها و مسئله‌های گوناگون بوده‌اند.

       ادامه مطلب
    الگوریتم انتخاب ویژگی وال

    الگوریتم انتخاب ویژگی وال

    یکی از بزرگترین نهنگ والانه نهنگ کوهان دار است. یک نهنگ کوهان دار بزرگسال تقریبا به اندازه یک اتوبوس مدرسه است. طعمه های مورد علاقه آن ها گله ماهی کریل و کوچک هستند. جالب ترین چیز در مورد نهنگ کوهان دار نحوه شکار خاص او است. این فرایند یافتن غذا روش تغزیه شبکه حبابی نامیده می شود.

       ادامه مطلب
    الگوریتم انتخاب ویژگی سازی کلونی زنبور عسل

    الگوریتم انتخاب ویژگی سازی کلونی زنبور عسل

    الگوریتم کلونی زنبور عسل، یک راهکار انتخاب ویژگی است که رفتار یک کلونی زنبور عسل را شبیه‌سازی می‌کند و برای اولین بار در سال ۲۰۰۵ توسط «کارابوگا» (Karaboga)، برای بهینه‌سازی پارامتر واقعی ارائه شد.

       ادامه مطلب
    الگوریتم انتخاب ویژگی کلونی مورچگان

    الگوریتم انتخاب ویژگی کلونی مورچگان

    در اين الگوریتم ارتباط حشره ها ميبايست محيط اطراف را به نحوي تغيير دهد كه ساير همنوعانش از تغيير محيط آگاه شوند و پيام مورد نظر حشره را دريافت كنند. يكي از بارزترين مثال ها براي چنين ارتباطي، ريزش ماد هاي شيميايي به نام فرومون به وسيله مورچه ها بر روي مسير حركت است. به اين نحو كه مورچه ها طي حركت، دنبال هاي از فرومون را ترسيم مي كنند و همواره مشتاق به دنبال كردن مسيرهايي هستند كه فرومون بيشتري را داشته باشند. تغيير محيط به منظور ايجاد تغييرات در رفتار از طريق ارتباط به وجود آمده، به نام اصل ا ستيگم رجي معروف است. اين اصطلاح براي اولين بار در سال 1959 و به وسيله زيست شناس فرانسوي به نام پيِرپ ول گراسه براي توضيح رفتار موريانه ها به كار برده شده است. به اين ترتيب، استيگمرجي به معني اشاره (البته غير مستقيم) براي انجام كاري خواهد بود. استيگمرجي پاي هي اصلي بسياري از حركت هاي حشرات به خصوص مورچه هاست. در جوامع مورچه اي، يك مورچه ي خاص به نام ملكه وجود دارد كه فقط مسئوليت تخم گذاري را دارد. در مقابل، ساير مورچه ها عملكرد به طور كامل متفاوتي دارند. مورچه هاي يك مجموعه، خود-ترتيب6 هستند و رفتارهاي پيچيد هي كل مجموعه فقط ناشي از رفتارهاي ساده اي است كه تك تك مورچه ها به صورت خود-ترتيب انجام م يدهند.

       ادامه مطلب
    0