×
    خانه / مطالب ویژه / 7
    تلگوریتم بهینه سازی سنجاقک

    الگوریتم بهینه سازی 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 بهینه سازی وال

    الگوریتم بهینه سازی وال

    الگوریتم بهینه سازی نهنگ یا Whale Optimization Algorithm به اختصار (WOA) یکی از جدیدترین الگوریتم های فراابتکاری به شمار می رود که در سال ۲۰۱۶ ارائه شده است و در حوزه هوش ازدحامی (Swarm Intelligence) جای می گیرد. در این الگوریتم از روش شکار تور حبابی که توسط نهنگ های گوژپشت انجام می شود، الهام گرفته شده است. پس از مرور مفاهیم اولیه بهینه سازی و انواع روش های آن، مبانی تئوری الگوریتم بهینه سازی نهنگ مورد بررسی قرار می گیرد و سپس پیاده سازی آن در محیط نرم افزار متلب برای یک مساله بهینه سازی تک هدفه و پیوسته ارائه می شود.

       ادامه مطلب
    الگوریتم بهینه سازی ژنتیک

    الگوریتم بهینه سازی ژنتیک

    لگوریتم‌های ژنتیک (Genetic algorithm) تکنیک جستجو در علم رایانه برای یافتن راه‌حل تقریبی برای بهینه‌سازی مدل، ریاضی و مسائل جستجو است. الگوریتم ژنتیک نوع خاصی از الگوریتم‌های تکاملی است که از تکنیک‌های زیست‌شناسی فرگشتی مانند وراثت، جهش زیست‌شناسی و اصول انتخابی داروین برای یافتن فرمول بهینه جهت پیش‌بینی یا تطبیق الگو استفاده می‌شود.

       ادامه مطلب
    الگوریتم بهینه سازی کلونی زنبور عسل

    الگوریتم بهینه سازی کلونی زنبورعسل

    براساس رفتار زنبورها در طبیعت الگوریتم های زیادی، به وجود امده است.که این الگوریتم ها را می توان در دو دسته قرار داد: دسته اول رفتار کاوشی و دسته دوم رفتار جفتگیری می باشد. الگوریتم مصنوعی کلونی زنبور، رفتار کاوشی زنبورها را شبیه سازی می کند. یک نهاد فردی را اگر مانند یک زنبور در کندوی زنبور در نظر بگیریم یک مجموعه از رفتارها مانند دفاع، مهاجرت و…. دارد ولی یک گروه از نهادها مانند یک کلونی زنبور نشان دهنده رفتار پیشامدی پیچیده ای با ویژگی های مفید مانند مقیاس پذیری و سازگار پذیری است. الگوریتم کلونی مصنوعی زنبور عسل توسط کارابوگا و باستارک پیشنهاد شد و رفتار هوشمندانه ی مجموعه ای از زنبورهای عسل را شبیه سازی می کند. در این الگوریتم، زنبورها شامل زنبورهای کارگر ، تماشاچی و کاوشگر می باشد.

       ادامه مطلب
    الگوریتم بهینه سازی کلونی مورچگان

    الگوریتم بهینه سازی کلونی مورچگان

    مورچه‌ها در یک حرکتِ جمعی قادر هستند مسیرِ بهینه از کلونیِ خود به سمت غذا را به دست آورند. آن‌ها بدون داشتن بینایی می‌توانند با استفاده از قدرتِ اجتماعِ خود این مسیر را پیدا کنند. دانشمندان با تحقیق و بررسیِ نحوه‌ی کار مورچه‌ها، توانستند الگوریتمی را شناسایی کنند که می‌تواند با تقریب بسیاری خوبی، چیزی نزدیک به بهینه‌ی سراسری را در یک مسئله‌ی بهینه‌سازی بیابد.

       ادامه مطلب
    لگوریتم طبقه بندی درخت تصمیم C5

    الگوریتم طبقه بندی درخت تصمیم C5

    الگوریتم C5.0 یک نوع درخت تصمیم گیری تک متغیره و بهبود یافته الگوریتم C4.5 می باشد که توسط محقق استرالیایی کوئین لن در سال ۱۹۹۳ طراحی شده است. الگوریتم درخت تصمیم گیری C5 یا C5.0 Decision Tree Algorithm مثل الگوریتم طبقه بند درخت تصمیم CART در ابتدا درختی کامل پر ایجاد می کند اما استراتژی هرس آن متفاوت می باشد. این الگوریتم کلاسه بندی را با تقسیم داده ها به زیر مجموعه هایی که شامل رکورد های همگن تر از والد خود می باشند انجام می دهد. در الگوریتم درخت تصمیم C5 تقسیم کردن نمونه ها براساس فیلدی که بیشترین بهره اطلاعات را شامل شود، صورت می گیرد. هر زیر نمونه بوسیله اولین انشعاب تعیین می گردد. سپس براساس فیلد جدیدی دوباره تقسیم بندی انجام می شود و این فرایند به تکرار خواهد شد تا زمانی که زیر نمونه ها امکان تقسیم شدن را نداشته باشند. در نتیجه انشعاب ها به پایین ترین سطح از نوآزموده می رسند و آن انشعاب هایی که ارز چندانی ندارند از مدل حذف می گردد.

       ادامه مطلب
    الگوریتم طبقه بندی درخت تصمیم CHAID

    الگوریتم طبقه بندی درخت تصمیم CHAID

    در روش CHAID، که به «شناسایی اثرات متقابل خودکار کای ۲» (Chi-squared Automatic Interaction Detection) نیز شهرت دارد، در هر گام، متغیر پیشگویی که بیشترین میزان ارتباط با متغیر وابسته را دارد در مدل و درخت تصمیم به کار می‌رود. سطوح یا طبقه‌های هر متغیر پیشگو ممکن است در این حالت با یکدیگر ادغام شوند زیرا سطح معنی‌داری ممکن است در هر طبقه کمتر از مقدار مورد انتظار باشد. محاسبه آماره کای ۲ و محاسبه سطح معنی‌داری و رد فرض صفر در آزمون با سطح α ، باعث ایجاد گره جدید خواهد شد. به این ترتیب شاخه‌ها تولید شده و درخت تصمیم رشد می‌کند.

       ادامه مطلب
    زمانبندی وظایف در رایانش ابری

    زمانبندی وظایف در رایانش ابری

    جهت تخصیص منابع و حفظ تعادل بار بین ماشین های مجازی در رایانش ابری روشهای مختلفی مطرح شده است. برخی از این روشها عبارتند از الگوریتم ژنتیک، الگوریتم کلونی زنبور عسل، الگوریتم کلونی مورچگان، جهش قورباغه، الگوریتم وال، سنجاقک، الگوریتم قطره های آب و غیره. از این رور هر کدام از این روشها دارای مشکلاتی در زمینه ایجاد تعادل بار و تخصیص منابع هستند. اصلی ترین چالشی که این الگوریتم ها با آن مواجه هستند، ایجاد تعادل بار بین ماشین های مجازی به منظور تخصیص منابع در دیتاسنترهای رایانش ابری است.

       ادامه مطلب
    مسیریابی در رایانش ابری

    مسیریابی در رایانش ابری

       ادامه مطلب
    کاهش مصرف انرژی در اینترنت اشیاء

    کاهش مصرف انرژی در اینترنت اشیاء

       ادامه مطلب
    مهاجرت زنده ماشین های مجازی

    مهاجرت زنده ماشین های مجازی

    مهاجرت ماشين مجازي :

    در محيط هاي مجازي سازي شده قابليت حمل يا استقلال ماشين مجازي به سخت افزار خاصي، امكان انتقال ماشين مجازي از يك مكان به مكان ديگري را فراهم مي كند، به اين عمل انتقال مهاجرت گويند.
    انواع مهاجرت ماشين مجازي
    مهاجرت در سطح كل ماشين مجازي به اين معناست كه تمام حالات دروني حافظه و حالت برنامه هاي آن انتقال مي يابد. فرآيند مهاجرت به دو دسته كلي تقسيم مي شود كه هركدام از روش هاي ارائه شده جهت جابجايي ماشين مجازي، در زير شاخه ي يكي از اين دو قرار خواهند گرفت
    1- مهاجرت غير زنده
    2- مهاجرت زنده.
    در مهاجرت غيرزنده ماشين مجازي در مبدا به طور كامل متوقف مي شود، سپس تمام حالت هاي پردازنده، صفحات حافظه و در صورت امكان (با توجه به سياست هاي مورد نظر) داده هاي ديسك، به ماشين مقصد منتقل مي شود. ماشين مقصد پس از دريافت كامل حالات و صفحات، از آخرين حالت ماشين كه قبل از انتقال ذخيره شده بود، شروع به كار مي كند. يكي از معايب اين روش طولاني بودن زمان عدم دسترس پذيري به سرويس ارائه شده توسط ماشين مجازي است، اما از جمله مزاياي اين روش عدم وجود ناسازگاري هاي ناشي از انتقال داده ها، سادگي در پياده سازي و تضمين ارسال هر صفحه از حافظه تنها براي يك مرتبه است.

    اما در مهاجرت زنده ماشين مجازي در حالي كه روشن است و به درخواست هاي رسيده از سوي كاربران پاسخ مي دهد، به ماشين مقصد منتقل مي شود. در واقع مي توان اين طور تصور كرد كه ماشين به تدريج و رفته رفته به سمت مقصد ارسال مي شود. از جمله مزاياي اين روش مي توان به ارائه سرويس توسط ماشين مجازي حتي در هنگامي كه فرايند مهاجرت و جابجايي صفحات و حالات آن در حال انجام است، اشاره كرد.

       ادامه مطلب
    رایانش ابری سیار (Mobile Cloud Computing)

    رایانش ابری سیار (Mobile Cloud Computing)

    با ظهور تکنولوژی محاسبات ابری یا رایانش ابری ( Cloud Computing ) در سالهای ۲۰۰۶ و ۲۰۰۷ یک سبک جدید از دسترسی به منابع و انجام محاسبات به صورت پویا، مقیاس پذیر و مجازی بر روی اینترنت ارائه شده است. محاسبات ابری در دنیای امروز امکان ارائه سیستم عامل های توزیع شده بر روی اینترنت، برنامه های کاربردی مختلف و فضای ذخیره سازی را فراهم نموده، که این امر صرفه جویی درهزینه، دردسترس بودن بالای منابع ومقیاس پذیری آسان آن ها را موجب شده است.

       ادامه مطلب
    الگوریتم طبقه بندی جنگل تصادفی

    الگوریتم طبقه بندی جنگل تصادفی

    جنگل تصادفی (Random forest) یک الگوریتم یادگیری تحت نظارت است که از آن هم برای طبقه بندی و هم رگرسیون استفاده می شود.
    اما به طور کلی برای مسائل طبقه بندی از آن استفاده می شود. همانطور که میدانیم یک جنگل از درختان ساخته شده است و درختان بیشتر به معنای جنگل مقاوم تر است. به طور مشابه، الگوریتم درخت تصادفی روی نمونه های داده، درختان تصمیم گیری می سازد و سپس از هر کدام از آنها پیش بینی می گیرد و در نهایت به واسطه رای گیری، بهترین راه حل را انتخاب می کند. این یک روش گروهی است که از یک درخت تصمیم گیری مجزا بهتر است، زیرا با میانگین گیری در نتیجه، over-fitting را کاهش می دهد.

       ادامه مطلب
    الگوریتم طبقه بندی درخت تصمیم BFTree

    الگوریتم طبقه بندی درخت تصمیم BFTree

       ادامه مطلب
    الگوریتم طبقه بندی درخت تصمیم DecisionStump

    الگوریتم طبقه بندی درخت تصمیم DecisionStump

    یکی از پرکاربردترین الگوریتم­‌های داده­‌کاوی، الگوریتم درخت تصمیم است. در داده­‌کاوی، درخت تصمیم یک مدل پیش­بینی کننده است به طوری که می­‌تواند برای هر دو مدل رگرسیون و طبقه‌­ای مورد استفاده قرار گیرد. زمانی که درخت برای کارهای طبقه‌­بندی استفاده می‌­شود، به عنوان درخت طبقه­‌بندی (Classification Tree) شناخته می‌­شود و هنگامی که برای فعالیت‌­های رگرسیونی به کار می‌­رود درخت رگرسیون (Regression Decision Tree)نامیده می­شود.

       ادامه مطلب
    الگوریتم طبقه بندی درخت تصمیم ADTree

    الگوریتم طبقه بندی درخت تصمیم ADTree

       ادامه مطلب
    0