Multi-label classification aims at assigning more than one label to each instance. Many real-world multi-label classification tasks are high dimensional, leading to reduced performance of traditional classifiers. Feature selection is a common approach to tackle this issue by choosing prominent features. Multi-label feature selection is an NP-hard approach, and so far, some swarm intelligence-based strategies and have been proposed to find a near optimal solution within a reasonable time. In this paper, a hybrid intelligence algorithm based on the binary algorithm of Particle swarm optimization and a novel local search strategy has been proposed to select a set of prominent features. To this aim, features are divided into two categories based on the extension rate and the relationship between the output and the local search strategy to increase the convergence speed. The first group features have more similarity to class and less similarity to other features, and the second is redundant and less relevant features. Accordingly, a local operator is added to the Particle swarm optimization algorithm to reduce redundant features and keep relevant ones among each solution. The aim of this operator leads to enhance the convergence speed of the proposed algorithm compared to other algorithms presented in this field. Evaluation of the proposed solution and the proposed statistical test shows that the proposed approach improves different classification criteria of multi-label classification and outperforms other methods in most cases. Also in cases where achieving higher accuracy is more important than time, it is more appropriate to use this method.

با توجه به خصوصیات فیزیکی بسیار نزدیک اهداف واقعی و کلاتر سونار فعال، تفکیک این اهداف، از موضوعات چالش برانگیز محققان و صنعت گران حوزه آکوستیک می باشد. شبکه های عصبی چندلایه (MLP) یکی از پرکاربردترین شبکه های عصبی در دسته بندی اهداف دنیای واقعی هستند. آموزش از مهمترین بخش های توسعه این نوع شبکه ها است که در سال های اخیر بسیار مورد توجه قرار گرفته است. به منظور آموزش شبکه های MLP از دیر باز استفاده از روش های بازگشتی و گرادیان نزولی مرسوم بوده است. دقت دسته بندی نامناسب، گیر افتادن در کمینه های محلی و سرعت همگرایی پایین از معایب روش های سنتی می باشد. به منظور غلبه بر این معایب، در سال های اخیر استفاده از الگوریتم های ابتکاری و فرا ابتکاری بسیار مرسوم گردیده است. این مقاله برای آموزش شبکه MLP از الگوریتم بهینه سازی ترکیبی ازدحام ذرات و جستجوی گرانشی (PSOGSA) استفاده می کند. الگوریتم جستجوی گرانشی (GSA) یک روش بهینه سازی فرا ابتکاری جدید بر اساس فعل و انفعالات گرانش و جرم می باشد. ثابت شده است که این الگوریتم توانایی خوبی برای جستجوی کلی دارد، اما در آخرین تکرارها دارای سرعت پایین در بهره برداری فضای جستجو می باشد. با توجه به توانایی منحصربه فرد بهینه ساز ازدحام ذرات (PSO) در فاز بهره برداری، از این روش برای حل مشکل فوق استفاده می شود. نتایج به دست آمده نشان می دهد که دسته بندی کننده های مبتنی بر GSA، PSO و PSOGSA دادگان سونار را به ترتیب با دقت 92.7500، 93.6741 و 94.42308 دسته بندی می نمایند. همچنین سرعت همگرایی الگوریتم ترکیبی نسبت به دو الگوریتم معیار ذکر شده بهتر می باشد.

چوب های گرد کم قطر به خاطر کمبودچوب های قطور در صنایع چوب مصرف می شوند. گرده های صنوبر کم قطر (کمتر از 30 سانتی متر) استفاده می کنند. شرایط کارخانه های استان آذربایجان شرقی کاربرد بهینه این نوع چوب ها را مشکل کرده است. از این رو این تحقیق بر روی گونه تبریزی و در صنایع تخته خرده چوب و تخته لایه استان آذربایجان شرقی انجام شد. حال سوال اساسی این است که آیا کاربرد این نوع چوب ها در صنایع تخته خرده چوب و تخته لایه از نظر معیارهای حسابداری، درجه بندی اقتصادی می شوند؟ با عنایت به این سوال، روش شناسی تحقیق تحلیلی و تخمینی بوده و با استفاده از تکنیک های - برآوردمهندسی، تجزیه و تحلیل حسابداری، تجزیه تحلیل رگرسیونی هزینه ها، به آزمون سوال پرداخته شد. تمام معیارهای حسابداری اهمیت گروه های قطورتر را نشان می دهند، چون با افزایش قطر، سرعت تولید و حریم اطمینان و شانس ادامه حیات در دوره های رکود بیشتر می شود. اگر هدف کارخانه تخته لایه تولید مغزی و کسب سود حداکثر با گروه های کم قطرتر باشد، بایداز گروه تا 15 سانتی متر به جای گروه 01/ 15 تا 20 سانتی متر استفاده کند. به طور کلی گروه بندی یا درجه بندی اقتصادی به ترتیب مطلوبیت به شرح زیر می باشد:گروه یا درجه یک؛ 01/ 25 تا 30 سانتی متر   گروه یا درجه دو؛ 01/ 20 تا 25 سانتی مترگروه یا درجه سه؛ 01/ 15 تا 20 سانتی متر  گروه یا درجه چهار؛ تا 15 سانتی مترترویج سیستم های فنآوری شده بومی مانند سیستم تولیدی سیار کوچک با توانایی و بازده و سرعت تولید مناسب، باعث اقتصادی ترشدن گروه های کم قطرتر صنوبر مانند گروه های قطورتر می شود.

از مهمترین عوامل تعیین  کننده در طراحی سیستم ها و سازه های عمرانی، عوامل هزینه و ایمنی سازه ها می باشد. جهت این امر، تعیین ابعاد بهینه این سازه ها برای کاهش هزینه ها به نحوی که ایمنی آنها در حد مطلوب باقی بماند و کلیه پارامترها و محدودیتهای طراحی برآورده سازد، مورد نیاز می باشد. الگوریتمهای متعددی جهت حل مسایل بهینه سازی توسعه یافته اند. الگوریتم بهینه سازی Particle Swarm، (PSO)، یکی از جدیدترین الگوریتمهایی است که در اصل، جهت حل مسایل بهینه سازی پیوسته بر مبنای اصول زندگی مصنوعی و تحقیقات روانشناسی و با الگوبرداری از حرکت دست جمعی پرندگان و ماهیان، توسعه یافته است. در این مقاله مدل بهینه سازیی ارایه گردیده، که در آن از الگوریتمPSO  به عنوان ابزار بهینه سازی و از بلوکTransport  از نرم افزارSWMM  به عنوان ابزار شبیه ساز جهت تحلیل هیدرولیکی سیستم کنترل سیلاب استفاده شده است. مدل بهینه سازی ارایه شده، مجموعه ای کارآمد ایجاد کرده است که ضمن بررسی دقیق رفتار هیدرولیکی سیستم، قادر به طراحی بهینه سیستم مورد نظر است. به عنوان مطالعه موردی در این مقاله، از مدل فوق جهت طراحی بهینه سیستم کنترل سیلاب پارس جنوبی در جنوب ایران که ترکیبی از یک سد تاخیری با تخلیه کننده تحتانی و چندین کانال انتقال آب است، استفاده شده است. نتایج نشان دهنده کارآمدی مدل پیشنهادی در کاهش هزینه های ساخت تا حدود23  درصد، می باشد.

در این مقاله به مسئله ردیابی و دسته بندی یک هدف مانوردار به صورت هم زمان پرداخته شده است. مسئله تعیین کلاس سیستم می تواند در بسیاری از کاربردها باعث بهبود عملکرد الگوریتم ردیابی شود. سیستم های مراقبت نظیر کنترل ترافیک هوایی، مراقبت دریایی و پدافند هوایی مثال بارز از این سیستم ها می باشند که بسیار ضروری است کلاس هدف در هر زمان مشخص باشد. بر خلاف الگوریتم های مرسوم ارائه شده تاکنون که برای هرکلاس یک فیلتر مجزا در نظر می گیرند، دراین مقاله با استفاده ازیک فیلتر ذره ای الگوریتمی ارائه می شود که به صورت هم زمان قابلیت ردیابی هدف مانوردار و کلاس هدف را دارد. این روش منجر به عملکرد صحیح ردیابی در اهدف مانوری و کاهش چشمگیری در حجم محاسبات شده است. نتایج شبیه سازی نشان می دهد که الگوریتم پیشنهادی به خوبی ردیابی وتخمین کلاس هدف را انجام می دهد.

یکی از مهمترین مسایل در سیستم های توزیع، تشخیص و طبقه بندی اغتشاش های کیفیت توان است. در این مقاله، الگوریتم جدیدی برای تشخیص و طبقه بندی اغتشاش های ساده و ترکیبی کیفیت توان با بهره گیری از منطق فازی و الگوریتم بهینه سازی گروهی ذرات (PSO1) ارایه شده است. در این الگوریتم، ابتدا ویژگی های مناسبی از شکل موج اغتشاش های کیفیت توان استخراج می شود. استخراج این ویژگی ها، با استفاده از دو تبدیل فوریه و موجک صورت می گیرد. سپس با استفاده از این ویژگی ها، سیستم  فازی پیشنهادی در مورد نوع هر یک از اغتشاش ها تصمیم گیری می کند. برای تعیین دقیق پارامترهای هر یک از توابع عضویت این سیستم، از الگوریتم بهینه سازی گروهی ذرات استفاده شده است. به منظور ارزیابی الگوریتم پیشنهاد شده، شکل موج اغتشاش های کیفیت توان در دو دسته ساده و ترکیبی، به صورت نمونه برداری شده، فرض شده است. پدیده های ضربه ای گذرا، قطعی، بیشبود، کمبود، شکاف، نوسانی گذرا، هارمونیک و نوسان به عنوان اغتشاش های ساده برای سیگنال ولتاژ مطرح است. رخدادهای هارمونیک با بیشبود، بیشبود با هارمونیک، بیشبود با نوسانی گذرا، هارمونیک با کمبود، کمبود با هارمونیک و کمبود با نوسانی گذرا به عنوان اغتشاش های ترکیبی برای سیگنال ولتاژ در نظر گرفته است. نتایج شبیه سازی، توانایی الگوریتم پیشنهادی را در شناسایی اغتشاش های ساده و ترکیبی با دقت حدود %99 نشان می دهد.

افزایش جمعیت و تقاضای روزافزون مواد غذایی و بهره وری اقتصادی پایین محصولات کشاورزی و هدررفت منابع آبی و خاکی، تعیین و اجرای الگوی کشت بهینه کشور را ضروری نموده است. در این تحقیق، با توجه به محدودیت ها و مشکلات روش های کلاسیک و همچنین به منظور کاهش زمان پردازش و بهبود کیفیت راه حل ها، از الگوریتم ازدحام ذرات چند هدفه آشوبناک در تعیین الگوی کشت بهینه دشت سیستان در شرایط بهینه و کم آبیاری استفاده گردید. نتایج کاربرد الگوریتم آشوبناک برای کشت های غالب منطقه نشان داد که الگوی کشت فعلی منطقه بهینه نبوده و با اجرای الگوی پیشنهادی مدل، سود حاصل به ازای واحد سطح زیر کشت، افزایش خواهد یافت. نتایج کاربرد کم آبیاری طی دوره های مختلف رشد محصولات گندم، جو، یونجه، سورگوم، هندوانه و انگور نیز نشان داد که اعمال کم آبیاری ها در این دشت استراتژی مناسبی نبوده و تنها استراتژی آبیاری کامل توصیه می گردد، مدل مقدار بهینه حجم آب برای سطح یک هکتار را 42750 متر مکعب برآورد نموده و با وارد کردن گیاهان گندم، یونجه، سورگوم، هندوانه و انگور با استراتژی آبیاری کامل در الگوی بهینه کشت، در نهایت بازده برنامه ای 4, 153, 448 تومان بدست آمد، با کاهش 25 درصدی آب مصرفی شبکه، مقدار بازده برنامه ای 5/14 درصد و با کاهش 50 درصدی آب مصرفی، مقدار بازده برنامه ای 5/41 درصد کاهش یافت. نتایج ارزیابی حساسیت مدل نیز نشان داد که در قیمت های پایین، کشاورزان واکنش کمتر و در قیمت های بالاتر، عکس العمل بیشتری به تغییر قیمت نشان داده و با افزایش قیمت آب، سود ناخالص (بازده برنامه ایی) کمتر و مدل بیشتر به سمت افزایش زیر کشت محصولاتی تمایل دارد که با مصرف آب کمتر عملکرد بیشتری دارند. نتیجه گیری کلی این تحقیق آن است که بی کشش بودن تقاضای آب در دامنه های قیمتی 725-0، 950-750، 1050-1000 و همچنین 1200-1075 ریال در برنامه-ریزی های مربوط به قیمت گذاری منابع آب کشاورزی منطقه بایستی مورد توجه قرار گیرد.