مجید محمدپور
-
نشریه مهندسی برق و مهندسی کامپیوتر ایران، سال بیست و یکم شماره 3 (پیاپی 81، پاییز 1402)، صص 141 -157
امروزه شبکه های پیچیده پویا به یکی از ارکان مهم زندگی بشر تبدیل شده اند و تشخیص انجمن در این شبکه ها یکی از مهم ترین مسایل در تحلیل آنها محسوب می شود. در این مقاله یک روش تشخیص انجمن مبتنی بر تعبیه گراف و روش یادگیری جمعی ارایه شده که می تواند درجه پیمانه ای بودن هر انجمن را حداکثر نماید. روش های تعبیه گراف یا یادگیری نمایش کم بعد از گره ها در گراف به علت قابلیت کاربردی گسترده آن در عملکرد شبکه های پیچیده پویا مانند تشخیص انجمن در شبکه، بسیار مورد توجه قرار گرفته اند. در این مقاله، یک روش تعبیه گراف پویا مبتنی بر یادگیر عمیق پیشنهاد شده که گراف خروجی از مرحله تعبیه گراف را به عنوان ورودی به مدل یادگیر جمعی می دهد تا با دقت قابل قبولی، انجمن ها را در شبکه تشخیص دهد. همچنین یک الگوریتم حریصانه جدید به نام پیوند جمع برای بهینه سازی تابع هدف برای مجموعه داده های مقیاس بزرگ در زمان بسیار کوتاه ارایه گردیده است. نشان داده شده که پارتیشن توافقی پیشنهادی نسبت به پارتیشن های به دست آمده از کاربرد مستقیم روش های خوشه بندی جمعی رایج، به ساختارهای خوشه ای واقعی نزدیک تر است. روش پیشنهادی به دلیل استفاده از روش پیش پردازش مبتنی بر تعبیه گراف پیشنهادی و همچنین استفاده از روش خوشه بندی جمعی، توانسته کارایی مناسبی را در مقایسه با سایر روش های رقیب از خود نشان دهد. نتایج تجربی آزمایش های انجام شده حاکی از برتری روش پیشنهادی در مقایسه با روش های رقیب است.
کلید واژگان: تعبیه گراف, تشخیص انجمن, درجه پیمانه ای, خوشه بندی جمعی, شبکه پیچیده, یادگیر عمیقSpecial conditions of wireless sensor networks, such as energy limitation, make it essential to accelerate the convergence of algorithms in this field, especially in the distributed compressive sensing (DCS) scenarios, which have a complex reconstruction phase. This paper presents a DCS reconstruction algorithm that provides a higher convergence rate. The proposed algorithm is a distributed primal-dual algorithm in a bidirectional incremental cooperation mode where the parameters change with time. The parameters are changed systematically in the convex optimization problems in which the constraint and cooperation functions are strongly convex. The proposed method is supported by simulations, which show the higher performance of the proposed algorithm in terms of convergence rate, even in stricter conditions such as the small number of measurements or the lower degree of sparsity.
Keywords: Stock variable parameter algorithm, distributed reconstruction, compressive sensing, bidirectional incremental mode -
در دنیای واقعی، مشکلات بسیاری روند هماهنگ سازی عامل های چندگانه را در محیط های پویا تهدید می کند. دستگاه ها و ماشین های موجود در کارخانه اصولا به یک برنامه ریزی مشخص احتیاج دارند تا بدین وسیله بتوانند عملیات را با اطمینان بیشتر و مطابق با تقاضای مشتری انجام دهند. در حیطه فعالیت ها و عملیات کارخانه، رویکردهای مبتنی بر عامل های خودسازمانده و انطباقی، اصولا قادر هستند راه حل های قوی و معتبری فراهم کنند. با این حال، رویکردهای انطباقی به میزان مشخصی زمان برای پاسخ دهی به تغییرات محیطی احتیاج دارند. به هنگام رویارویی با مسائل پویا، تکنیک هایی که در دست دارید می تواند به بهتر انجام شدن روش های مختلف دیگر کمک کند. یکی از این روش های معمول، استفاده از اطلاعات گذشته به منظور بهبود و ارتقاء عملکردهای فعلی می باشد. در بسیاری از مسائل پویا، وضعیت کنونی محیط شباهت قابل توجهی با حالت هایی که در گذشته مشاهده شده است، دارد. استفاده از اطلاعات پیشین با گذشت زمان ممکن است به منطبق سازی هرچه بیشتر سیستم با تغییرات وسیع محیطی و اجرای بهتر کمک کند. یکی از راه هایی که به موجب آن می توان اطلاعات گذشته را حفظ و نگهداری کرد استفاده از حافظه ای است که راه حل ها را به صورت دوره ای ذخیره کرده، بازیابی نموده و به هنگام اعمال تغییرات محیطی آن ها را تصحیح نماید. مقاله حاضر قصد دارد چندین سیستم حافظه ارزیابی چگالی را که از تخمین الگوریتم های توزیع، الهام گرفته اند ارائه نموده و از این سیستم برای حل یکی از مشکل ترین مسائل پویا (مسئله هماهنگ سازی توزیع شده پویا) استفاده نماید. در سیستم های حافظه ارائه شده، به جای ذخیره کردن تنها نقاط تکی در حافظه، خوشه هایی از نقاط در هر مدخل حافظه ذخیره می شوند و مدلی از هر نقاط در هر خوشه ایجاد می شود. این نوع حافظه، قادر به ذخیره کردن نقاط بیشتری بوده و سربار محاسباتی برای این نوع حافظه کم است. نتایج آزمایش ها، حاکی از برتری روش پیشنهادی نسبت به سایر روش ها است.
کلید واژگان: حافظه تخمین تراکم, R-Wasps, هماهنگ سازی کارخانه, مسئله پویاMany real-world problems involve the coordination of multiple agents in dynamic environments. Machines in a factory may need to coordinate the scheduling and execution of jobs to ensure smooth operation as customer demands shift. In the domain of factory operations, adaptive, self- organizing agent-based approaches have been shown to provide very robust solutions. However, these adaptive approaches may require non-trivial amounts of time to respond to large environmental shifts. Techniques exist that have been shown to help many different approaches perform better when problems are dynamic. One common technique is the use of information from the past to improve current performance. In many dynamic problems, the current state of the environment is often similar to previously seen states. Using information from the past may help to make the system more adaptive to large changes in the environment and to perform better over time. One way to maintain and exploit information from the past is the use of memory, where solutions are stored periodically and can be retrieved and refined when the environment changes. This paper introduces several density-estimation memory systems that are inspired by estimation of distribution for solving one of the hard dynamic problems (Factory coordination). In this proposed method, instead of storing only single points in memory, we propose to store clusters of points in each memory entry and to create a model of the points in each cluster. In this proposed method we will be able to store many more points, the computation overhead required for the memory will remain low. The experimental results show the efficiency of the proposed algorithm in comparison with other methods.
Keywords: Density Estimation Memory, 𝑅 − 𝑤𝑎𝑠𝑝𝑠, Factory Coordination, Dynamicproblem -
زمان بندی منابع، یکی از مهم ترین کارهایی است که در سیستم های توزیع شده نظیر محیط ابری انجام می شود. بر همین مبنا اتخاذ روشی مناسب در زمان بندی می تواند امری مهم تلقی گردد. پویایی و ناهمگونی منابع در سیستم های توزیع شده باعث پیچیدگی زمان بندی وظایف می شود. کاهش زمان اجرا و هزینه اجرا از معیارهایی است که همواره در تمامی روش های پیشنهادی برای زمان بندی ابر، مورد توجه قرار می گیرد. اخیرا استفاده از روش های هوشمند از جمله سیستم فازی در زمان بندی کارها در محاسبات ابری مورد توجه بسیاری قرار گرفته است. عدم قطعیت و اولویت بندی پارامترهای ورودی سیستم فازی از ویژگی های مهم تئوری فازی است. در این مقاله، یک روش زمان بندی ترکیبی جدید بر پایه سیستم فازی و روش ذوب فلزات ارائه شده است که درخواست های ارسالی از طرف کاربران را با در نظر گرفتن معیارهایی هم چون هزینه اجرا، زمان اجرا و ضریب عدم تعادل به مناسب ترین منبع تخصیص می دهد. هدف اصلی طرح پیشنهادی اختصاص دادن درخواست های ارسالی به منابع با در نظر گرفتن توان محاسباتی منابع، پهنای باند ماشین های مجازی، میزان تاخیر خطوط بین منابع و هم چنین طول کار درخواستی می باشد. این پارامترها، ورودی های سیستم فازی هستند و بر اساس خروجی سیستم فازی منابع به درخواست ها اختصاص داده می شوند. روش پیشنهادی با شبیه ساز کلودسیم ارزیابی شده و نتایج با روش های دیگر زمان بندی ابر تحت شرایط یکسان مقایسه شده است. نتایج نشان می دهد که روش پیشنهادی کارآیی زمان بندی منبع را در معیارهای کل زمان اجرا، هزینه اجرا و ضریب عدم تعادل بهبود می بخشد.
کلید واژگان: محاسبات ابری, زمان بندی, تئوری فازی, ماشین مجازی, ذوب فلزاتResource scheduling is one of the most important tasks that is performed in distributed systems such as the cloud environment. On this basis, adopting a suitable method in scheduling can be considered an important matter. The dynamism and heterogeneity of resources in distributed systems causes the complexity of task scheduling. Reducing execution time and execution cost is one of the criteria that is always taken into consideration in all proposed methods for cloud scheduling. Recently, the use of intelligent methods, including the fuzzy system, in the scheduling of tasks in cloud computing has received a lot of attention. Uncertainty and prioritization of input parameters of fuzzy system are important features of fuzzy theory. In this article, a new hybrid scheduling method is presented based on the fuzzy system and the metal melting method, which assigns the requests sent by users to the most suitable source, taking into account criteria such as execution cost, execution time, and imbalance coefficient. The main purpose of the proposed plan is to assign the sent requests to the resources, taking into account the computing power of the resources, the bandwidth of the virtual machines, the delay of the lines between the resources and also the length of the requested work. These parameters are the inputs of the fuzzy system and resources are assigned to requests based on the output of the fuzzy system. The proposed method has been evaluated with CloudSim simulator and the results have been compared with other cloud scheduling methods under the same conditions. The results show that the proposed method improves the efficiency of resource scheduling in terms of total execution time, execution cost and imbalance coefficient.
Keywords: Cloud Computing, Scheduling, Fuzzy Theory, Virtual Machine, Metal Melting -
از آن جایی که اجزای پویا، همراه با محدویت های غیرخطی و اهداف متعدد، یکی از خصوصیت هایی است که به طور مکرر در مسایل دنیای واقعی ظاهر می شود و چون زمان زیادی است که محاسبات تکاملی وارد حوزه کاربردهای صنعتی شده است (به خصوص به علت توانایی آن ها در مواجهه با محیط های چندهدفه و غیرخطی) انتظار می رود که هرچه زودتر توجه به این زمینه در جامعه علمی رشد پیدا کند.امروزه استفاده از الگوریتم های تکاملی که بر اساس رفتارهای زیستی طبیعی به وجود آمده اند برای حل این مسایل از اهمیت ویژه ای برخوردار هستند. از جمله این الگوریتم ها می توان به الگوریتم ژنتیک اشاره نمود. هدف این مقاله و ادعای اصلی آن، امکان طراحی پروتکل های الهام گرفته از طبیعت در الگوریتم ژنتیک است که روی بهینه سازی در محیط های پویا موثر باشد، در حالی که پیچیدگی الگوریتم را حفظ کند و تغییرات در فضای مسئله به صورت دوره ای رخ دهد. در این مقاله، یک الگوریتم ژنتیک بهبودیافته (خودسازمانده بحرانی) مبتنی بر حافظه برای حل مسایل بهینه سازی پویا ارایه شده است. در الگوریتم ارایه شده، از یک عملگر جهش خودسازمانده که مبتنی بر مدل تپه شنی است، استفاده شده است. عملگر جهش خودسازمانده یک عملگر جهش هست که می تواند نرخ های جهش خودتنظیم شونده را با یک توزیع ویژه بر مبنای مدل تپه شنی انجام دهد که این برای بهینه سازی پویا مناسب است. اگر تغییرات به صورت دوره ای رخ دهند، به طور معمول استفاده از اطلاعات گذشته اجازه می دهد الگوریتم به سرعت بعد از تغییر محیط به سازگاری در شرایط محیطی جدید برسد. ایده مورد نظر در این زمینه، استفاده از یک حافظه می باشد. یکی از چالش های اساسی در به کارگیری حافظه، تنوع می باشد. برای افزایش سطح تنوع از یک حافظه تخمبن تراکم با خوشه بندی گاوسی استفاده شده است. همچنین از راهکاری برای جایگزینی و بازیابی در حافظه استفاده شده است. در طرح پیشنهادی ابتدا جهش خودسازمانده بحرانی جدید، با سایر الگوریتم های ژنتیک ارایه شده توسط سایر محققین ترکیب شده ونتایج حاصل شده نشان می دهد که این روش توانسته به کرات سایر الگوریتم های ژنتیک را برای محیط های پویا بهبود بخشد. در نهایت روش پیشنهادی این مقاله که ترکیب خودسازماندهی بحرانی جدید با حافظه تخمین تراکم گوسی است ارایه شده است. نتایج این روش با سایر روش های مشابه که با راهکار جهش خودسازمانده جدید نتایجشان بهبود داده شده است، مقایسه خواهد شد. نتایج حاصل بر روی مسایل محک مختلف باعنوان توابع تله پویا، آزمایش شده است. نشان داده شده که روش پیشنهادی، حتی از روش های رقیب که با روش جهش خودسازمانده جدید، بهبود یافته اند نتایج مناسب تری را تولید کرده است. معیار ارزیابی در این مقاله معیار کارآیی برون خطی می باشد. نتایج آزمایش ها نشان می دهند که روش پیشنهادی موثر هست چراکه با روش های دیگر در پارامترهایی از محیط های پویا مقایسه گردیده که آن ها بهترین کارایی را دارا هستند.
کلید واژگان: بهینه سازی, الگوریتم ژنتیک, محیط پویا, حافظه, خوشه بندی, تخمین تراکم, جفت گزینی, جهش, خودسازماندهDynamic components, nonlinear limitation, and multi-objectives are characteristics that we face in the real world. Nowadays, using transmutation algorithms based on biological behaviors is spread e.g. Genetic algorithm. This study tried to design optimization protocol, inspired by Genetic algorithm. Such algorithm tries to keep its complexity and variation in question scope will happen periodically. In other words, this study proposes an optimized Genetic algorithm to solve dynamic optimization problems.
A new self-mutate operator based on the sandhill model was used in this algorithm. a self-mutate operator is a new mutate operator which can predict self-regulated mutation rates based on the sandhill distribution model. This model can match the new cope condition If variations happen periodically. Switching to a new situation is based on memory. One of the issues of using memory is diversity. a density prediction memory with gaussian clusters was used to increase memory diversity. The new method showed better results compare to the other genetic algorithms. Results were compared with the other self-mutate methods. Also, results were tested with on different functions such as royal road, one max, and deceptive. The phase results were much better than the opponent methods. Since the parameters of the proposed method will not increase in comparison with other algorithms, It can be used in real-world applications.Keywords: Optimization, genetic algorithm, dynamic environment, memory, clustering, density estimation, crossover, mutation, self-organizing -
الگوریتم SSPCO گونه ای از الگوریتم های هوش جمعی و برگرفته شده از رفتار پرنده تیهو است. کارآیی این الگوریتم برای حل مسایل بهینه سازی ایستا به اثبات رسیده است؛ اما این کارآیی این الگوریتم تا به حال برای حل مسایل بهینه سازی پویا مورد آزمایش قرار نگرفته است. به دلیل ماهیت NP-Hard بودن مسایل پویا، این الگوریتم به تنهایی قادر به حل این گونه از مسایل بهینه سازی نمی باشد. بنابراین برای این که الگوریتم قادر به ردیابی بهینه متغیر در این مسایل باشد، باید راهکارهایی به همراه این الگوریتم ارایه داد که بتوانند عملکرد این الگوریتم را درمواجهه با محیط های پویا افزایش دهد. در این مقاله دو راه حل برای ترکیب با الگوریتم SSPCO ارایه شده است که عبارتند از، روش چندجمعیتی و حافظه با تخمین تراکم گوسی. مشکلی که در اکثر روش های چندجمعیتی وجود دارد این است که با افزایش کنترل نشده جمعیت، سرعت و راندمان الگوریتم به تدریج کاهش می یابد. روش چندجمعیتی ارایه شده در این مقاله به صورت تطبیقی با فضای مسئله می باشد، و هر زمان که نیاز به افزایش جمعیت باشد یک جمعیت به صورت تطبیقی ایجاد می شود و این موضوع باعث می شود که مشکل روش های قبلی کاهش یابد. یکی از مواردی که در حل مسایل غیرقطعی باید مشخص شود، استفاده از داده های گذشته نزدیک برای پیش بینی آینده نزدیک است. در این مقاله با توجه به این موضوع برای حفظ اطلاعات گذشته از یک نوع خاصی از حافظه استفاده شده است. در این روش از حافظه جدیدی به نام حافظه تخمین تراکم گوسی استفاده شده است. این حافظه عیوب حافظه استاندارد را برطرف نموده و باعث بهبود کارآیی الگوریتم پیشنهادی می شود. برای آزمایش کارآیی روش پیشنهادی از تابع معروف محک قله های متحرک که رفتاری شبیه به مسایل پویا را شبیه سازی می کند، استفاده شده است. الگوریتم پیشنهادی با 10 تا از مشهورترین الگوریتم های بهینه سازی پویا مقایسه گردیده است. همان گونه که از نتایج تجربی و آزمایش ها مشخص می باشد روش پیشنهادی توانسته خطای برون خطی را تا حدود بسیار زیادی نسبت به سایر روش کاهش دهد و خطای تولید شده برای روش پیشنهادی بسیار ناچیز است.
کلید واژگان: الگوریتم SSPCO, محک قله های متحرک, بهینه سازی پویا, خطای برون خطی, حافظه, خوشه بندی, MMSSPCOThe SSPCO (See-See Particle Chicks Optimization) is a type of swarm intelligence algorithm derived from the behavior of See-See Partridge. Although efficiency of this algorithm has been proven for solving static optimization problems, it has not yet been tested to solve dynamic optimization problems. Due to the nature of NP-Hard dynamic problems, this algorithm alone is not able to solve such optimization problems. Therefore, to enable the algorithm to optimally track the variable in these problems, it is necessary to be provided solutions with this algorithm so that can increase the performance of this algorithm for dynamic environments. In this paper, two solutions for combining SSPCO are presented: (1) the multi-swarm method and (2) memory with Gaussian density estimation. The problem with most multi-swarm methods is that as the population increases uncontrollably, the speed and efficiency of the algorithm gradually decreases. The multi-swarm methods presented in this paper is adapted to the problem space, and whenever there is a need to increase the population, a population is created adaptively, and this reduces the problems of previous methods. One of the issues that is being addressed to solve uncertainty problems is prediction of near future using data of the near past. In this article, to preserve past data a new memory called Gaussian density estimation memory is used. This memory fixes standard memory defects and improves the performance of the proposed algorithm. To evaluate the efficiency of the proposed method, the well-known moving peak benchmark function, which simulates behavior of dynamic problems, is used. The proposed algorithm is compared with the 10 most popular dynamic optimization algorithms. According to the experimental results, the proposed method reduces offline error to a great extent compared to other methods and the error produced by the proposed method is very small.
Keywords: Moving-Peak-Benchmark, Dynamic Optimization, Offline Error, SSPCO algorithm, Moving Peaks Benchmark, Density Estimation Memory, Clustering -
پیش بینی کوتاه مدت بار در بازار برق اهمیت زیادی دارد. از طرفی عوامل مهم تاثیرگذار بر پیش بینی کوتاه مدت بار به ویژگی های بار الکتریکی و آب و هوایی هر منطقه بستگی دارد، بنابراین با استفاده از داده های واقعی استان چهارمحال و بختیاری-شامل بار و دما- به پیش بینی کوتاه مدت بار الکتریکی استان پرداخته ایم. بدین منظور با استفاده از چهار روش مختلف شبکه عصبی پرسپترون (MLp < /strong>)، مجمعی از شبکه عصبی پرسپترون (MLP Ensemble)، شبکه SVM (Support Vector Machine) و مجمعی از شبکه SVM به پیش بینی کوتاه مدت بار استان چهار محال و بختیاری پرداختیم. نتایج حاصل از مقایسه این چهار روش نشان می دهد که مجمعی از شبکه عصبی پرسپترون بهترین روش به منظور پیش بینی کوتاه مدت بار می باشد.
کلید واژگان: پیش بینی کوتاه مدت بار, شبکه عصبی پرسپترون, مجمعی از شبکه عصبی پرسپترونShort-term load forecasting is very important in electrical marketing. Load forecasting is dependent on climatic condition of every region and the previous structures of electrical consumption in that region; so we have accomplished this through employing climatic data (including temperature and pressure) and real load consumption of Chaharmahal Bakhtiari. We have evaluated our method using four machine learning algorithms: artificial neural networks (multilayer perceptron), ensemble of artificial neural networks, support vector machine and ensemble of support vector machine. Experimental results indicates that ensemble of artificial neural networks is superior to the others in the field of load consumption forecasting of Chaharmahal Bakhtiari.
Keywords: Load forecasting, Ensemble, Artificial Neural Networks, Support vector machine -
با توجه به گسترش روزافزون اطلاعات و وجود حجم انبوه متون غیرساخت یافته، استفاده از کلمات کلیدی نقش مهمی در بازیابی اطلاعات دارد. این درحالی است که استخراج کلمات کلیدی به صورت دستی مشکلات زیادی دارد. بنابرین استخراج کلمات کلیدی به صورت خودکار از نیازهای ضروری فناوری امروزه است. در این پژوهش سعی شده با استفاده از اصطلاح نامه که از نظامی ساختارمند برخوردار است، کلمات کلیدی بامعناتری از متون استخراج کرد و با آن ها طبقه بندی متون فارسی را بهبود بخشید. مراحلی که برای افزایش جامعیت جستجو باید سپری شود به این صورت است که در مرحله نخست کلمات زائد حذف و باقی کلمات ریشه یابی می شود؛ سپس به کمک اصطلاح نامه کلمات هم معنی، اعم ها و اخص ها و همچنین وابسته ها پیدا و در ادامه برای مشخص شدن اهمیت نسبی کلمات یک وزن عددی به هر کلمه منسوب می شود که بیان گر میزان تاثیر کلمه در ارتباط با موضوع متن و درمقایسه با سایر کلمات به کار رفته در متن است . با توجه به مراحل بالا و به کمک اصطلاح نامه، طبقه بندی متون دقیق تر انجام می گیرد. در این روش از الگوریتم نزدیکترین همسایه (KNN) برای طبقه بندی استفاده می شود. الگوریتم KNN به خاطر سادگی و موثر بودن آن در طبقه بندی متون بسیار به کار برده می شود. مبنای کار این الگوریتم، مقایسه متن آزمایش داده شده با متون آموزشی داده شده و به دست آوردن میزان شباهت بین آن ها است. نتایج آزمایش ها برروی چندین متن در موضوع های مختلف، نشان دهنده دقت و توانایی روش پیشنهادی در استخراج کلمات کلیدی منطبق با خواست کاربر و در نتیجه طبقه بندی دقیق تر متون است.کلید واژگان: اصطلاح نامه, بازیابی اطلاعات, استخراج کلمات کلیدی, وزن دهیDue to ever-increasing information expansion and existing huge amount of unstructured documents, usage of keywords plays a very important role in information retrieval. Because of a manually-extraction of keywords faces various challenges, their automated extraction seems inevitable. In this research, it has been tried to use a thesaurus, (a structured word-net) to automatically extract them. Authors claim that extraction of more meaningful keywords out of documents can be attained via employment of a thesaurus. The keywords extracted by applying thesaurus, can improve the document classification. The steps to be taken to increase the comprehensiveness of search should be such that in the first step the stop words are removed and the remaining words are stemmed. Then, with the help of a thesaurus are found words equivalent, hierarchical and dependent. Then, to determine the relative importance of words, a numerical weight is assigned to each word, which represents effect of the word on the subject matter and in comparison with other words used in the text. According to the steps above and with the help of a thesaurus, an accurate text classification is performed. In this method, the KNN algorithm is used for the classification. Due to the simplicity and effectiveness of this algorithm (KNN), there is a great deal of use in the classification of texts. The cornerstone of KNN is to compare with the text trained and text tested to determine their similarity between. The empirical results show the quality and accuracy of extracted keywords are satisfiable for users. They also confirm that the document classification has been enhanced. In this research, it has been tried to extract more meaningful keywords out of texts using thesaurus (which is a structured word-net) rather than not using it.Keywords: thesaurus, information retrieval, extraction of keywords, weight
-
وقتی با یک جهان در حال تغییر مواجه می شوید، انسان ها نه تنها به آینده بلکه به گذشته هم توجه می کنند. توجه کردن به راه حل های مشابه، به ما در تصمیم گیری در آینده کمک می کند. زمانی که با وضعیتی روبرو می شویم که قبلا آن را تجربه کرده باشیم بهتر می توانیم با آن روبرو شویم. اگر در حل مسائل بهینه سازی با ماهیتی پویا در هنگام جستجو، از اطلاعات گذشته داخل بهینه سازی و یادگیری استفاده شود، می تواند به فرآیند جستجوی بهتر کمک کند. یکی از راه کارهای مناسب برای حفظ اطلاعات گذشته استفاده از یک حافظه است. در اکثر تحقیقات نشان داده شده است که به کارگیری یک حافظه استاندارد با الگوریتم های یادگیر تقلید از طبیعت می تواند برای حل مسائلی که ماهیتی پویا دارند مناسب باشد. حافظه استاندارد معمولا دارای نقطه ضعفی از جمله، ظرفیت محدود حافظه می باشد. در این مقاله جهت برطرف نمودن نقاط ضعف و محدودیت های حافظه استاندارد، یک نوع جدید از حافظه باعنوان، حافظه مبتنی بر کلاس بندی معرفی شده است. این حافظه با الگوریتم ژنتیک ترکیب شده تا برای حل مسائل زمان بندی کار کارگاهی پویا به کار رود. مسئله زمان بندی کار کارگاهی پویا یکی از پیچیده ترین حالات زمان بندی ماشین به شمار می رود. استفاده از حافظه مبتنی بر کلاس بندی، مسائل پویایی که ممکن است بر اساس تغییر محیط منسوخ شوند را توسعه می دهد. این حافظه یک لایه انتزاعی میان راه حل های عملی و مدخل های حافظه ایجاد می کند، به طوری که راه حل های قدیمی ذخیره شده در حافظه به راه حل های محیط جاری نگاشت شوند.کلید واژگان: حافظه مبتنی بر کلاس بندی, زمان بندی کار کارگاهی پویا, بهینه سازی, الگوریتم ژنتیکWhen faced with a changing world, humans are apt to look not just to the future, but to the past. Drawing on knowledge from similar situations we have encountered helps us to decide what to do next. The more experience weve had with a particular situation, the better we can expect to perform. When solving dynamic problems using search, it may be enough to solve the problem completely from scratch when we encounter it again. An appropriate strategy for store past information is memory. In the researches shown that using standard memory with evolutionary algorithms for solving dynamic optimization problem is capable. Standard memory is containing infirmity point memory determinate capacity. In this paper presented a new memory namely Classifier-based memory, which solves standard memory problems. This memory combined with GA for solving dynamic scheduling. The dynamic job shop scheduling problem is one of the most complex forms of machine scheduling. Classifier-based memory is introduced to extend the use of memory to dynamic problems where solutions may become obsolete as the environment changes. Classifier-based memory creates an abstraction layer between feasible solutions and memory entries so that old solutions stored in memory may be mapped to solutions that are feasible in the current environment. The technique presented in this paper improves the ability of memories to guide search quickly and efficiently to good solutions as the environment changes.Keywords: Classier, based memory, dynamic job shop scheduling, optimization, genetic algorithm
-
الگوریتم کلونی زنبور مصنوعی یکی از الگوریتم های بهینه سازی هوش جمعی می-باشد، که از آن در اهداف و کاربردهای ایستا به صورت وسیعی استفاده می شود. اکثر مسائل موجود در جهان واقعی پویا می باشند. بنابراین ما به الگوریتم های بهینه سازی نیاز داریم که بتوانند مسائل را در محیط های پویا به خوبی حل نمایند. مسائل بهینه سازی پویا مسائلی هستند که در طول زمان دچار تغییر می-شوند. در این مقاله ما یک الگوریتم مبتنی بر کلونی زنبور مصنوعی آشوب گونه ترکیب شده با حافظه را برای مسائل بهینه سازی پویا ارائه نموده ایم. یک سیستم آشوب گونه پیش بینی دقیق تری از آینده نسبت به یک سیستم تصادفی دارد. ما در این روش از حافظه صریح برای ذخیره راه حل های قدیمی خوب جهت نگهداری تنوع در جمعیت استفاده نموده ایم. استفاده از راه حل های قدیمی خوب و تنوع در محیط به سرعت همگرایی الگوریتم کمک می نماید. روش پیشنهادی را برروی مسئله محک قله های متحرک آزمایش نموده ایم. مسئله محک قله های متحرک، شبیه ساز مناسبی برای تست کارآیی الگوریتم های بهینه سازی در محیط های پویا می باشد. نتایج آزمایشات برروی این تابع محک نشان از کارآیی مناسب روش پیشنهادی در مقایسه با سایر روش ها در حل مسائل بهینه سازی پویا دارد.کلید واژگان: بهینه سازی, الگوریتم کلونی زنبور مصنوعی, محیط های پویا, آشوب, حافظه, محک قله های متحرکArtificial Bee Colony Algorithm(ABC) is one of the swarm intelligence optimization algorithms that is extensively used for the goals and applications static. Many practical, real-world applications, nevertheless, are dynamic. Thus we need to get used optimization algorithms that could be solved problems in dynamic environments as well. Dynamic optimization problems where change(s) may occur through the time. In this paper we proposed one approach based on chaotic ABC combined with explicit memory method, for solving dynamic optimization problems. In this proposed algorithm, we used the explicit memory for store the aging best solution for the maintaining diversity in the population. Use the aging best solution and diversity in environments helps the speed convergence in algorithm. The proposed approaches have been tested on Moving Peaks Benchmark. The Moving Peaks Benchmark is the suitable function for testing optimization algorithms in dynamic environments. The experimental study on a Moving Peaks Benchmark show that proposed approach has a superior performance in comparison with several other algorithms in dynamic environments.Keywords: optimization, Artificial Bee Colony algorithm, Dynamic Environments, Chaos, Memory, Moving Peaks Benchmark
-
شبکه های حسگر بی سیم (WSNها) از تعداد زیادی سنسور تشکیل شده است که دارای قابلیت هایی مانند حسگری، محاسبات، و برقراری ارتباط می باشند. توان باتری یک منبع مهم شبکه حسگر بی سیم می باشد. بنابراین عملکرد موثر شبکه حسگر بی سیم بستگی به استفاده بهینه از منبع باتری دارد. شبکه های حسگر بی سیم به طور معمول دارای محدودیت مصرف انرژی هستند. طراحی پروتکل مسیریابی مناسب به طور قابل توجهی می تواند مصرف انرژی در شبکه های حسگر بی سیم را کاهش دهد. در این مقاله یک راه کار جدید پیشنهاد شده که در آن گره به صورت خاص و در نواحی مختلف قرار گرفته تا پوشش در محیط برقرار شود و برای کاهش مصرف انرژی در گره ها، تنها یک گره در هر ناحیه در یک بازه زمانی فعال و سایر گره های ناحیه به حالت خواب خواهند رفت. برای برقراری چرخه وظایف و عدم تحمیل بار زیاد بر یک گره، گره فعال که وظیفه حس کردن و حفظ پوشش در ناحیه را برعهده دارد، در بازه زمانی بعدی ممکن است گره دیگر به عنوان گره فعال انتخاب شود. در شرایطی که بخشی از شبکه از گره تهی و اطلاعات آن در دسترس نباشد، با استفاده از تخمین اتفاق آرا توسط گره های سایر نواحی مجاور می توان سعی در تخمین مقدار آن ناحیه داشت. در واقع انتظار می رود که در روش پیشنهادی، با استفاده از ناحیه بندی محیط، تخمین اتفاق آرا و چرخه وظایف پوشش سراسری در شبکه بی سیم، کارایی بهبود یابد.نتایج حاصل نشان داده که روش پیشنهادی دارای کارایی مناسبی نسبت به سایر روش های مورد مقایسه است.کلید واژگان: شبکه حسگر بی سیم, پوشش, ناحیه بندی, چرخه وظایف, تخمین اتفاق آراWireless Sensor Networks (WSNs) consist of large number of sensors which having capabilities such as sensing, computing, and communicating. Battery power is a critical resource of WSN. Therefore, an effective operation of WSNs depends upon the efficient use of its battery resource. Wireless sensor network typically has energy consumption restriction. In this paper we propose a new mechanism in which node placed in particular form and in various areas, to be covered in the environment and to reduce energy consumption in the nodes, only a node is active at a time in each area, and other area nodes are going into sleep. To establish a cycle of tasks, and intolerance of load on a node, active node that is responsible of sense and the coverage keep in the area, in the next time, another node may be selected as the active node. While part of the network is null from nodes and data are not available, using consensus estimation by other neighboring nodes can try to estimate the amount of that area. In fact, it is expected that in the proposed method, using the zoning of the environment, consensus estimation, and the tasks cycle of coverage in a wireless network, efficiency will be improved. The results showed the proposed method has suitable efficiency in compared with other similar methods.Keywords: Wireless sensor network, coverage, Zoning, duty cycle, consensus estimation
-
اکثر مسائل موجود در دنیای واقعی یک مسئله بهینه سازی با ماهیتی پویا هستند، به طوری که مقدار بهینه سراسری آن ها در طول زمان ممکن است تغییر کند، بنابراین برای حل این مسائل الگوریتم هایی نیاز داریم که بتوانند خود را با شرایط این مسائل به خوبی سازگار نموده و بهینه جدید را برای این مسائل ردیابی نمایند. در این مقاله، یک الگوریتم ژنتیک آشوب گونه مبتنی بر خوشه بندی و حافظه برای حل مسائل پویا ارائه شده است. یک سیستم آشوب گونه پیش بینی دقیق تری از آینده نسبت به یک سیستم تصادفی دارد و میزان همگرایی را در الگوریتم افزایش می دهد. به طور معمول استفاده از اطلاعات گذشته اجازه می دهد الگوریتم به سرعت بعد از تغییر محیط به سازگاری در شرایط محیطی جدید برسد، بنابراین ایده موردنظر در این زمینه، استفاده از یک حافظه است که با استراتژی مناسبی اطلاعات مفید گذشته را ذخیره نموده و برای استفاده مجدد آن ها را بازیابی می نماید. خوشه بندی در حافظه و جمعیت اصلی، تنوع را در حین اجرای الگوریتم با تبادل اطلاعات میان خوشه های متناظر (خوشه ها با برچسب شبیه به هم) در حافظه و جمعیت اصلی حفظ می نماید. به طورکلی در این روش پیشنهادی دو جنبه نوآوری اساسی پیشنهاد شده است. یکی روش خوشه بندی استفاده شده که هم جمعیت اصلی و هم جمعیت حافظه را خوشه بندی (خوشه بندی مبتنی بر میانگین) می کند و دیگری راهکار مناسبی است که برای به روزرسانی حافظه استفاده شده است. برای آزمایش کارایی روش پیشنهادی از مسئله محک قله های متحرک استفاده شده که رفتاری شبیه به مسائل پویا در دنیای واقعی را شبیه سازی می کند. نتایج آزمایش ها کارایی مناسب روش پیشنهادی را در حل مسائل بهینه سازی پویا در مقایسه با دیگر روش ها نشان می دهد.کلید واژگان: بهینه سازی پویا, الگوریتم ژنتیک, حافظه صریح, اشوب, خوشه بندیMost of the problems in the real world are of dyanamic optimization ones. It means that their optima may change over time, thus algorithms to solve these problems must be well adapt to their conditions in such a way that they should be able to track the optima during evolution. This article proposes a chaotic genetic algorithm based on clustering and memory for solving dynamic optimization problems. A chaotic system has more precise prediction of the future in comparison with random system and increases the speed of convergounce in the algorithm. The utilization of some information from the past allows quickly adapting right after a change. Thus the underlining idea of the paper is the use of memory in this field, which is a good strategy to store the useful information and retrieves them for reuse in the future. The clustering method maintains diversity in the memory and the population during running of the algorithm by exchanging information between corresponding clusters (clusters with similar tag) of the memory and the population. This algorithm uses a k-means clustering method to maintain diversity and improve local search. In this paper used tow the main innovation: clustering method and memory update. To test the effectiveness of the proposed method we choose the Moving Peaks Benchmark that has similar behaviors to real world dynamic proplems. The experimental results show the efficiency of the proposed algorithm for solving optimization problems in comparison with other methods.Keywords: Dynamic optimization, genetic algorithm, explicit memory, chaos, clustering
- در این صفحه نام مورد نظر در اسامی نویسندگان مقالات جستجو می‌شود. ممکن است نتایج شامل مطالب نویسندگان هم نام و حتی در رشته‌های مختلف باشد.
- همه مقالات ترجمه فارسی یا انگلیسی ندارند پس ممکن است مقالاتی باشند که نام نویسنده مورد نظر شما به صورت معادل فارسی یا انگلیسی آن درج شده باشد. در صفحه جستجوی پیشرفته می‌توانید همزمان نام فارسی و انگلیسی نویسنده را درج نمایید.
- در صورتی که می‌خواهید جستجو را با شرایط متفاوت تکرار کنید به صفحه جستجوی پیشرفته مطالب نشریات مراجعه کنید.
©2000-2025 magiran.com All Rights Reserved.