×
    خانه / نتایج جستجو برای ""
    یادگیری نیمه نظارت

    یادگیری نیمه نظارت

    یادگیری نیمه‌نظارتی دسته‌ای از روش‌های یادگیری ماشین است که در آن از داده‌های بدون برچسب و داده‌های برچسب‌دار به صورت هم‌زمان برای بهبود دقت یادگیری استفاده می‌شود.

       ادامه مطلب
    الگوریتم طبقه بندی درخت تصمیم ID3

    الگوریتم طبقه بندی درخت تصمیم ID3

    این الگوریتم، درختانِ تصمیمِ از بالا به پایین می‌سازد و با طرح این سوال که چه صفتی باید در ریشه‌ی درخت آزمایش شود آغاز می‌کند. برای پاسخ به این سوال، با استفاده از یکی از انواع آزمایش‌های آماری برای تعیین مناسب‌ترین صفت برای دسته‌بندی مثال‌های آموزشی، تصمیم براساس هر صفت نمونه را ارزیابی می‌کند.

       ادامه مطلب
    رباتیک

    رباتیک

    رباتیک شاخه‌ای میان رشته‌ای از مهندسی و علم است که شامل مهندسی مکانیک، مهندسی برق و علوم رایانه و چند رشته دیگر می‌شود . رباتیک شامل طراحی، ساخت، راه‌اندازی و کاربرد ربات‌ها می‌شود، همچنین مانند سامانه‌های رایانه‌ای، کنترل، بازخورد حسگرها و پردازش اطلاعات نیز در این گروه قرار می‌گیرند.

       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
    الگوریتم بهینه سازی جستجوی هارمونی (Harmony Search)

    الگوریتم بهینه سازی جستجوی هارمونی (Harmony Search)

    هارمونی به معنای هماهنگی، هم صدایی و ترکیب خوش آهنگ صداهایی که به صورت همزمان و در یک لحظه شنیده می شوند، می باشد. به عبارتی دقیق تر هارمونی دانشی است برای چند بخشی (چند صدایی) کردن موسیقی بر پایه خصوصیتها و آکوردها و شایستگی وصلشان به یکدیگر.

       ادامه مطلب
    الگوریتم بهینه سازی مبتنی بر جغرافیای زیستی (BBO)

    الگوریتم بهینه سازی مبتنی بر جغرافیای زیستی (BBO)

    الگوريتم بهينه سازي مبتني بر جغرافياي زيستي (BBO) از خانواده الگوريتم‌‌هاي تكاملي مي باشد و مشابه آن‌‌ها يك الگوريتم بهينه سازي 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.

       ادامه مطلب
    الگوریتم بهینه سازی کرم شب تاب (Firefly Algorithm)

    الگوریتم بهینه سازی کرم شب تاب (Firefly Algorithm)

    الگوریتم کرم شب تاب توسط یانگ ارائه شده است و براساس برقراری ارتباط سراسری میان ذرات عمل می کند، در نتیجه در مسائل بهینه سازی چند هدفی موثرتر می باشد. این الگوریتم که براساس ازدحام نیز می باشد، برای کاربردهای بهینه سازی ارائه شده است، که یک روند تکرار شونده دارد از رفتار تابشی کرم های شب تاب الهام گرفته است.تکنیک بهینه سازی هوشمند، مبتنی بر این فرضیه است که راه حل یک مشکل بهینه سازی را، می توان به عنوان کرم شب تاب در نظر گرفت که به صورت متناسب در یک محیط می تابد.سپس هر کرم شب تاب، کرم های شبیه خود را بدون در نظر گرفتن جنسیتشان، جذب می کند تا بتواند فضای جستجو را به صورت دقیق تری بررسی کند.

       ادامه مطلب
    الگوریتم بهینه سازی جستجوی ممنوع (Tabu Search)

    الگوریتم بهینه سازی جستجوی ممنوع (Tabu Search)

    الگوریتمِ جستجوی ممنوعه یک ایده‌ی اصلی دارد. این الگوریتم یک لیست از حرکات یا نقاطِ ممنوعه درست می‌کند تا در جستجوهای بعدی، دیگر آن حرکات را انجام ندهد. با این کار این الگوریتم امید دارد که از بهینه‌ی محلی خارج شده و بتواند به سمت بهینه‌ی سراسری حرکت کند.

       ادامه مطلب
    الگوریتم بهینه سازی تبرید

    الگوریتم بهینه سازی تبرید

    در الگوریتم شبیه سازی تبرید (یا تبرید شبیه سازی 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 شبیه سازی تبرید برای اولین بار در سال ۱۹۸۳، توسط «کریک‌پاتریک» (Kirkpatrick) و همکاران معرفی شد. شایان ذکر است، الگوریتم شبیه سازی تبرید از جمله الگوریتم‌های فراابتکاری (فراتکاملی | فرااکتشافی | Metaheuristic) محسوب می‌شود. در الگوریتم شبیه سازی تبرید، از روش احتمالاتی برای حل مساله بهینه‌سازی استفاده می‌شود.

       ادامه مطلب
    الگوریتم تپه نوردی

    الگوریتم تپه نوردی

    تپه‌نوردی یک تکنیک بهینه‌سازی متعلق به خانواده الگوریتم‌های جستجوی محلی است؛ یک تکنیک تکرارشونده که با یک راه‌حل دلخواه شروع به کار کرده و سپس تلاش می‌کند تا با تغییر بر روی یک عنصر از راه حل، به پاسخ بهتری دست پیدا کند. اگر این تغییر منجر به ایجاد یک راه حل بهتر شود، تغییر دیگری بر روی این راه حل جدید انجام خواهد گرفت. این روال تا زمانی که بهبود بیشتری در راه حل میسر نباشد ادامه می‌یابد.

       ادامه مطلب
    الگوریتم حریصانه

    الگوریتم حریصانه

    روش حریصانه (Greedy) یکی از روش‌های مشهور و پرکاربرد طراحی الگوریتم‌ها است که با ساختاری ساده در حل بسیاری از مسائل استفاده می‌شود. این روش اغلب در حل مسائل بهینه‌سازی استفاده شده و در پاره‌ای مواقع جایگزین مناسبی برای روش‌هایی مانند برنامه‌ریزی پویا است. در حالت کلی این روش سرعت و مرتبه‌ی اجرایی بهتری نسبت به روش‌های مشابه خود دارد؛ اما متناسب با مسئله ممکن است به یک جواب بهینه‌ی سراسری ختم نشود.

       ادامه مطلب
    الگوریتم بهینه سازی قطره های آب

    الگوریتم بهینه سازی قطره های آب

    الگوریتم چکه آب های هوشمند یا چکاه (به انگلیسی: Intelligent Water Drops)، یک الگوریتم بهینه‌سازی 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 بهینه‌سازی ترکیبیاتی (Combinatorial optimization) به کار برده می‌شود ولی می‌توان آن را برای بهینه‌سازی 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 بهینه سازی جهش قورباغه

    الگوریتم بهینه سازی جهش قورباغه

    الگوریتم جهش قورباغه مخلوط شده یا Shuffled Frog Leaping Algorithm (به اختصار SFLA)، یکی از الگوریتم های بهینه سازی فرا ابتکاری است که از رفتار اجتماعی قورباغه ها الهام گرفته شده است، و از نظر طبقه بندی، در میان الگوریتم های رفتاری یا الگوریتم های ممتیک (Memetic Algorithms) قرار می گیرد. از نام های دیگر این الگوریتم که در ایران مصطلح و رایج است، می توان به الگوریتم قورباغه و الگوریتم جهش قورباغه اشاره نمود.

       ادامه مطلب
    الگوریتم بهینه سازی گرگ خاکستری

    الگوریتم بهینه سازی گرگ خاکستری

    الگوریتم گرگ خاکستری GWO یک الگوریتم متاهیورستیک است که از ساختار سلسله مراتبی hieratical و رفتار اجتماعی گرگ های خاکستری در هنگام شکار کردن الهام گرفته است. این الگوریتم مبتنی بر جمعیت بوده، فرآیند ساده ای دارد و به سادگی قابلیت تعمیم به مسائل با ابعاد بزرگ را دارد. گرگ های خاکستری به عنوان شکارچیان راس یا apex در نظر گرفته می شوند، که در بالای هرم زنجیره غذایی هستند. گرگهای خاکستری ترجیح می دهند در یک گروه (دسته) زندگی کنند، هر گروه به طور متوسط 5-12 عضو دارد. همه اعضای این گروه دارای سلسله مراتب تسلط اجتماعی بسیار دقیق هستند و وظایف خاصی دارند. در هر گله از گرگ ها برای شکار کردن ۴ درجه وجود دارد که مانند شکل زیر به صورت یک ساختار هرمی مدل می شود.

       ادامه مطلب
    الگوریتم بهینه سازی ازدحام گربه های پیشرفته

    الگوریتم بهینه سازی ازدحام گربه های پیشرفته

    در تکنیک بهینه سازی 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 بهینه سازی ازدحام گربه ها، عملکرد خوبی را از خود نشان می دهد. در این الگوریتم، همانند بهینه سازی 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 بهینه سازی می پردازد. در بهینه سازی 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
    0