با توجه به رشد نمایی متون الکترونیکی، سازماندهی و مدیریت متون، مستلزم ابزاری است که اطلاعات و داده های مورد جستجوی کاربران را در کمترین زمان ارایه دهد؛ از این رو در سال های اخیر روش های دسته بندی اهمیت ویژه ای پیدا کرده است. هدف دسته بندی متون دست یابی به اطلاعات و داده ها در کسری از ثانیه است. یکی از مشکلات اصلی در دسته بندی متون، ابعاد بالای ویژگی هاست. برای کاهش ویژگی های متون، انتخاب ویژگی ها یکی از موثرترین راه حل هاست. چراکه هزینه محاسباتی که تابعی از طول بردار ویژگی هاست، بدون انتخاب ویژگی ها افزایش می یابد. در این مقاله روشی براساس بهبود الگوریتم ماشین بردار پشتیبان با الگوریتم رقابت استعماری برای دسته بندی اسناد متنی ارایه شده است. در روش پیشنهادی، از الگوریتم رقابت استعماری برای انتخاب ویژگی های و از الگوریتم ماشین بردار پشتیبان برای دسته بندی متون استفاده شده است. آزمایش و ارزیابی روش پیشنهادی بر روی مجموعه داده های Reuters21578, WebKB و Cade 12 انجام شده است. نتایج شبیه سازی حاکی از آن است که روش پیشنهادی در معیارهای دقت، بازخوانی و F Measure از روش ماشین بردار پشتیبان بدون انتخاب ویژگی عملکرد بهینه تری دارد.

پدیده فرسایش و انتقال رسوب از پیچیده ترین مسائل هیدرودینامیکی است که تعیین دقیق معادلات حاکم بر آن به دلیل تأثیر پارامترهای مختلف، به آسانی میسر نیست. حوضه های جنوب شرقی دریاچه ارومیه به علت برخورداری از شرایط هیدرولوژیکی خاص، از میزان بالای تولید رسوب برخوردار می باشند. هدف از انجام این تحقیق به کارگیری و مقایسه الگوریتم های رقابت استعماری و ژنتیک در تخمین بار معلق رسوبی روزانه رودخانه زرینه رود می باشد. به این منظور داده های دبی روزانه و بار معلق رسوبی ایستگاه رسوبی واقع در رودخانه زرینه رود برای سال های 1386 و 1392 مورد استفاده قرار گرفت. نتایج حاصل از دو روش پیشنهادی با مقادیر واقعی رسوب مورد مقایسه قرار گرفت. نتایج حاصل از اجرای الگوریتم های رقابت استعماری و ژنتیک مقدار مجذور مربعات خطا (RMSE)، به ترتیب (mg/L) 237 و (mg/L) 229 می باشد. هم چنین مقادیر ضریب تبیین (R2)، در مرحله صحت سنجی نیز برای الگوریتم رقابت استعماری و ژنتیک به ترتیب 889/0و 835/0 بوده است. نتایج حاصل از این تحقیق، انعطاف پذیری، توانایی و دقت بالای الگوریتم رقابت استعماری را در مقایسه با نتایج روش الگوریتم ژنتیک به اثبات می رساند.

طبقه بندی درهم تنیدگی حالت های کوانتومی با تابع همگن مثبت در ارتباط بوده که تحت عملیات های محلی تصادفی و تبدیل های ارتباط کلاسیکی (SLOCC) ناوردا است. در این مقاله، ابتدا یک طرح کلی برای اندازه گیری تنگل N تایی جهت اندازه گیری درهم تنیدگی یک حالت خالص N کیوبیت فرد-دلخواه ارائه می دهیم. سپس الگوریتم طبقه بندی را توسعه می دهیم که مبتنی بر ادغام بین یادگیری رقابتی و قدرت محاسباتی محاسبات کوانتومی است.

مجازی سازی و استفاده از ماشین های مجازی اساس تکنولوژی پردازش ابری است. ماشین های مجازی پس از مکان یابی، بر روی ماشین های فیزیکی منتخب اجرا می شوند. منظور از مکان یابی، انتخاب میزبان مناسب برای ماشین های مجازی موجود است. مکان یابی ماشین های مجازی در میزان مصرف انرژی و جلوگیری از هدر رفتن منابع در بسترهای سخت افزاری، نقش اساسی دارند. از طرفی، توسعه روزافزون سیستم های ابری فرآیند مکان یابی ماشین های مجازی را پیچیده تر ساخته است. در پژوهش حاضر با در نظر گرفتن دو هدف کاهش مصرف انرژی و کاهش اتلاف منابع، مکان یابی کارا ارائه شده است. در روش پیشنهادی، ضمن استفاده از روش متداول تبدیل مساله مکان یابی به مساله بهینه سازی، از الگوریتم نوظهور رقابت استعماری استفاده شده و با معرفی مفهومی جدید بنام نماینده، روند تولید جواب های جدید و بررسی فضای جستجو هدفمند شده است. نتایج شبیه سازی نشان می دهد، انتخاب الگوریتم رقابت استعماری در حل مساله مکان یابی ماشین های مجازی، با معرفی و استفاده از مفهوم نماینده، همراه با موفقیت بوده و الگوریتم پیشنهادی در مقایسه با الگوریتم هایی چون GGAو FFD پاسخ های قابل قبولی را ارائه می کند.

مسائل بهینه سازی در بیشتر موارد با فرض ثابت بودن شرایط محیطی تعریف می شوند. بیشتر مسائل موجود در جهان واقعی محیط های به طور مداوم در حال تغییرند؛ بنابراین ما به الگوریتم های بهینه سازی نیاز داریم که بتوانند مسائل را در محیط های پویا به خوبی حل کنند. مسائل بهینه سازی پویا مسائلی هستند که در طول زمان دستخوش تغییر می شوند. چنین محیط هایی ویژگی هایی نظیر نبود قطعیت، تغییرات زمانی و پیچیدگی های ساختاری را به همراه دارند که فرایند بهینه سازی را به چالشی جدی تبدیل می کند. در مواجهه با این چالش ها، الگوریتم های تکاملی از مؤثرترین روش ها برای حل مسائل بهینه سازی پویا (DOPs) مطرح شده اند. الگوریتم رقابت استعماری (ICA) که بر مبنای هوش ازدحامی و رقابت میان کشورهای استعمارگر طراحی شده است به دلیل توانایی در حل مسائل بهینه سازی ایستا مورد توجه ویژه قرار گرفته است؛ بااین حال، این الگوریتم در محیط های پویا عملکرد ضعیفی از خود نشان می دهد؛ زیرا فاقد مکانیسم هایی برای حفظ تنوع، تطبیق سریع با تغییرات محیطی و پیگیری نقاط بهینه جدید است. در این پژوهش، یک نسخه بهبود یافته از ICA با هدف غلبه بر محدودیت های مذکور ارائه شده است. در طراحی این الگوریتم، از ترکیب سازوکار حافظه و استراتژی خوشه بندی استفاده شده است. سازوکار حافظه اطلاعات نقاط بهینه گذشته را ذخیره کرده و در شرایط مناسب از این اطلاعات برای تسریع فرایند بهینه سازی استفاده می کند و استراتژی خوشه بندی k-means، به حفظ تنوع جمعیت کمک می کند و از انباشت راه حل ها در نواحی خاص جلوگیری می کند. این دو مؤلفه با یکدیگر، عملکرد الگوریتم در محیط های پویا را بهبود می بخشند. الگوریتم پیشنهادی در کنار الگوریتم های پیشرفته ای نظیر FTmPSO(TMO)، RAmQSO-s4، RmNAFSA-s4، TFTmPSO، RFTmPSO، mQSO10 (5+5q)، FMSO، CellularPSO، Multi-SwarmPSO، mCPSO، AmQSO*، FTMPSO، almPSO، و CDEPSA مورد ارزیابی قرار گرفت. نتایج تجربی نشان داد که الگوریتم پیشنهادی توانسته است، در زمینه هایی نظیر سرعت هم گرایی، تطبیق پذیری به تغییرات محیطی و حفظ تنوع جمعیت، عملکردی برتر از سایر الگوریتم ها ارائه کند. از ویژگی های کلیدی الگوریتم پیشنهادی، توانایی در حفظ نقاط بهینه حتی پس از تغییر محیط و مقیاس پذیری آن در مواجهه با مسائل بهینه سازی پویا با ابعاد بزرگ و پیچیدگی های بالا است. استفاده از خوشه بندی k-means باعث شده است که الگوریتم در مواجهه با تغییرات پیچیده محیطی از تمرکز بیش ازحد بر روی نقاط خاص جلوگیری کرده و تنوع جمعیت را به شکل مؤثری حفظ کند. این امر نشان می دهد که الگوریتم پیشنهادی نه تنها در محیط های آزمایشگاهی بلکه در کاربردهای واقعی با تغییرات سریع و پویا نیز کارآمد خواهد بود.

متن کامل این مقاله به زبان انگلیسی می باشد، لطفا برای مشاهده متن کامل مقاله به بخش انگلیسی مراجعه فرمایید.لطفا برای مشاهده متن کامل این مقاله اینجا را کلیک کنید.

لطفا برای مشاهده چکیده به متن کامل (PDF) مراجعه فرمایید.