شکست یک سد خاکی می تواند موجب بروز بحرآن های شدید در ناحیه سیلاب زده پایین دست گردد. لذا تعیین دقیق ویژگی های شکافت و جریان در ارزیابی خطرهای حاصل از خرابی سد از اهمیت به سزایی برخوردار است. در این تحقیق از مدل های آزمایشگاهی با مصالح دآنه ای در اندازه و خصوصیت های مکانیکی مختلف برای مطالعه فرسایش و نقش آن در گسترش هندسی شکافت استفاده شده است. از رگرسیون چندمتغیره در توسعه رابطه جدید برای تعیین دبی اوج (Qp) بهره گیری شده که در آن پراسنجه های بدنه سد در کنار پراسنجه های هیدرولیکی به کار رفته اند. نتیجه ها نشان می دهد مشارکت این ویژگی ها توانسته کارآیی را در تعیین Qp حاصل از شکست سد خاکی ارتقا دهد. از آنجائی که نرخ تکامل عرض متوسط شکافت (Bave) و عمق آن (Hb) نقش اثرگذاری بر آب نمود خروجی دارد، علاوه بر ارائه رابطه های جدید برای این دو پراسنجه، با مشارکت منابع مختلف داده ای و استفاده از برنامه ریزی بیان ژن (GEP) در تعیین آن، محدوده تغییرات جدیدی برای نسبت های بی بعد Hb بر ارتفاع سد (Hd) و نیز Bave بر عرض بالایی (Bt) و پایینی آن (Bb) معرفی و خروجی آن به سدهای لغزشی نیز بسط داده شده است. بر مبنای شاخص های عملکردی و آماری در رابطه ها، مقدارهای ضریب R2 برای Qp معادل با 91/0، برای Bave معادل با 99/0 و برای Hb برابر با 97/0 به دست آمده است.

بهینه سازی بر پایه جغرافیای زیستی، الگوریتم تکاملی جدیدی بر اساس جمعیت است که ریاضیات جغرافیای زیستی، بر آن حاکم است و الگوریتم تکامل تفاضلی، الگوریتمی قدرتمند برای حل بسیاری از مسائل بهینه سازی است. الگوریتم تکامل تفاضلی در اکتشاف فضای جستجو و تعیین مکان مینیمم سراسری خوب، ولی در استخراج راه حل مساله کند است. در این مقاله قابلیت اکتشاف الگوریتم تکامل تفاضلی با قابلیت استخراج الگوریتم بهینه سازی بر پایه جغرافیای زیستی، ادغام شده و با معرفی یک عملگر مهاجرت ترکیبی، الگوریتم جدیدی برای حل مسائل بهینه سازی چندهدفه ارائه شده است. در الگوریتم پیشنهادی از فرایند مرتب سازی غیرمغلوب برای بهبود همگرایی و از مفهوم فاصله جمعیتی محلی برای حفظ پراکندگی اعضای موجود در مجموعه پرتو استفاده شده است. در این مقاله کارایی الگوریتم پیشنهادی با استفاده از چند تابع آزمون رایج آزمایش شده و معیارهای مطرح در مسائل بهینه سازی چندهدفه تکاملی، ارزیابی و با الگوریتم های مطرح در این زمینه مقایسه شده است. نتایج حاصل بیانگر کارایی مطلوب الگوریتم پیشنهادی در رقابت با سایر الگوریتم های مطرح است.

بهینه سازی یک فعالیت مهم و تعیین کننده در طراحی ساختاری است. بسیاری از مسائل بهینه سازی در مهندسی، طبیعتاً پیچیده تر و مشکل تر از آن هستند که با روش های مرسوم بهینه سازی نظیر روش برنامه ریزی ریاضی و نظایر آن قابل حل باشند. طبیعت پایه بسیاری از الگوریتم های بهینه سازی می باشد، لذا محققان الگوی رفتاری پدیده ها و جانداران موجود در طبیعت در قالب یک ساختار رو به هدف قرار داده اند. در این مقاله یک الگوریتم فراابتکاری جدید بر پایه الگوی رفتاری موش های وحشی ارائه گردیده است. با مطالعه رفتارهای هدفمند و سودمند موش های وحشی در قالب کلونی ها این انگیزه را ایجاد کرد که این رفتارهای هدفمند می تواند الگویی برای حرکت به سمت حل یک مسئله پیچیده غیرقطعی باشد. در این تحقیق براساس نتایج آزمایشگاهی که بر روی این جانور انجام گرفته رفتار موش ها در فازهای تولید جمعیت، جفت گیری، مبارزه بقا پیاده سازی شده است. موش ها در چند کلونی سازماندهی شده که بر پایه فرماندهی یک سرکلونی نخبه برای بقا مبارزه خواهند کرد. ضمناً الگوی حرکتی موش ها براساس مکان سرکلونی و دیگر اعضای کلونی تعریف شده که در یک جستجوی بهینه در فضای مسئله مؤثر بوده است. الگوی رفتاری این جاندار در یک محیط شبیه ساز پیاده سازی گردید و نتایج نشان داد که الگوریتم حاصل یک الگویی مناسب برای یافتن پاسخی بهینه جهت مسائل پیچیده می باشد.

هدف: در سال های اخیر، شاهد ظهور و گسترش الگوریتم­های فرا ابتکاری و استفاده از آن­ها جهت حل مسائل پیچیده، غیرخطی و ابعاد بالا بوده ایم. با توجه به اینکه الگوریتم­های فوق برای حل مسائل پیچیده و در حال تغییر دنیای واقعی به کار می­روند، دنیای الگوریتم­ها و طراحی آن­ها به شکل فزاینده ای پویا و رو به رشد بوده است. بنابراین، پیوسته شاهد به وجود آمدن الگوریتم های جدیدی هستیم. هدف از این تحقیق، ارائه یک الگوریتم فرا ابتکاری جدید به نام «الگوریتم بهینه سازی نظامی» می­باشد. روش شناسی پژوهش: با الهام از عملیات­های نظامی الگوریتم پیشنهادی طراحی و ارائه گردید و پس از کدنویسی، توابع تست استاندارد و الگوریتم­های محک برای ارزیابی عملکرد آن تعیین و مشخص شدند. یافته ‎ها: عملکرد الگوریتم پیشنهادی به وسیله 23 تابع تست استاندارد و با در نظر گرفتن شاخص­های «میانگین جواب­ها»، «میانگین زمان محاسباتی» و «زمان همگرایی» در مقایسه با هشت الگوریتم محک شامل: ژنتیک، ازدحام ذرات، کلونی زنبور مصنوعی، قورباغه جهنده، رقابت استعماری، گرگ خاکستری، بهینه­سازی وال و بهینه­سازی ملخ مورد ارزیابی و سنجش قرار گرفت. نتایج نشان دهنده عملکرد مطلوب الگوریتم پیشنهادی است. اصالت/ارزش افزوده علمی: در این مقاله، با الهام از عملیات­های نظامی الگوریتم جدیدی به نام الگوریتم بهینه­سازی نظامی (MOA) ارائه می­شود که مبتنی بر جمعیت است و بر اساس «جستجوی تصادفی»، «تقسیم فضای جواب به چند منطقه و تخصیص بخشی از جمعیت به هر منطقه»، «جستجوی سواره نظام» و «جستجوی پیاده نظام» عمل می کند.

الگوریتم پس انتشار خطای استاندارد، فقط در فضای وزنهای شبکه با توپولوژی ثابت، عمل جستجو را انجام می دهد. تعداد لایه ها، نرونها و وزنهای شبکه، تاثیر بسزایی بر روی کارایی شبکه دارد. شبکه های خیلی کوچک قادر به یادگیری مساله نبوده و شبکه های با ابعاد بزرگ دچار Overfitting شده و قدرت تعمیم پایینی خواهند داشت، علاوه بر این بسیار کند بوده و پیاده سازی آنها هزینه بالایی خواهد داشت. بنابراین نیاز به الگوریتم هایی داریم که بتوانند بطور اتوماتیک ساختار مناسب شبکه را تعیین کنند. الگوریتم هایی را که تاکنون توسط افراد مختلف، برای تعیین اندازه مطلوب برای شبکه های عصبی ارایه شده است می توان به پنج گروه عمده تقسیم کرد. الگوریتم های هرس، الگوریتم های سازنده الگوریتم های ترکیبی، الگوریتم های تکاملی و الگوریتم های مبتنی بر اتوماتانهای یادگیر. توسط آقایان میبدی و بیگی الگوریتم جدیدی با استفاده از اتوماتان یادگیری مهاجرت اشیا برای تعیین تعداد وزنها طراحی گردیده است. این الگوریتم با حذف وزنهایی که دارای تاثیر کمتری هستند نه تنها باعث کاهش پیچیدگی شبکه می شود، بلکه قدرت تعمیم شبکه را نیز افزایش می دهد. الگوریتم تعیین وزنها با خاموش و روشن کردن وزنها سعی در پیدا کردن وزنهای مناسب دارد. در این الگوریتم ابتدا همه وزنهای موجود در شبکه روشن بوده و به همه وزنها مدتی اجازه داده می شود تا در آزمون شبکه شرکت نمایند. وزنهای روشنی که قدر مطلق مقدار آنها از یک مقدار آستانه ای کمتر باشد جریمه شده و وزن های روشنی که قدر مطلق آنها از یک مقدار آستانه ای دیگر بیشتر باشد پاداش می گیرند. وزنهای روشنی که قدر مطلق مقدار آنها بین دو مقدار آستانه ای قرار بگیرد تغییری در وضعیت آنها ایجاد نمی شود. در مورد وزنهای خاموش نیز وضع بهمین منوال است، وزنهای خاموشی که قدر مطلق آنها کمتر از یک مقدار آستانه ای باشد پاداش می گیرند و وزنهای خاموشی که قدر مطلق آنها بیشتر از یک مقدار آستانه ای باشد، جریمه می شوند. وزنهایی که بین دو مقدار آستانه ای قرار می گیرند تغییری در وضعیت آنها ایجاد نمی شود. مقادیر آستانه ای که در تصمیم گیریها مورد استفاده قرار می گیرد بسیار تعیین کننده بوده و تاثیر چشمگیری در عملکرد شبکه دارد. تعیین مقادیر این بازه ها کار ساده ای نبوده و معمولا با روشهای سعی و خطا و یا با استفاده از تجربیات گذشته تعیین می شود. در این مقاله با استفاده از اتوماتان یادگیر، بازه های تصمیم گیری را تطبیق داده ایم. در الگوریتم پیشنهادی برای پاسخ دادن به اتوماتان مربوط به تنظیم بازه های تصمیم گیری، از معیار خطا کمک گرفته ایم. الگوریتم پیشنهادی بر روی مسایل مختلفی پیاده سازی شده است. نتایج مشابه سازیها نشان می دهد. شبکه های تولید شده توسط الگوریتم بقا موقعیکه بازه های تصمیم گیری تطبیق داده می شوند، دارای تعداد کمتری وزن و نرون در مقایسه با شبکه ایجاد شده توسط اولین نسخه الگوریتم که قبلا گزارش شده است می باشد. نتایج شبیه سازی نشان می دهد الگوریتم بقا تطبیقی دارای همان قدرت تعمیم نسخه غیر تطبیقی می باشد.