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.

الگوریتم جستجوی گرانشی، یک روش بهینه سازی ساده و کارامد است که اخیرا برای حل مسائل بهینه سازی تک هدفه ارائه شده است. در این مقاله، برای اولین بار ساختار همسایگی نزدیکترین-بهتر در الگوریتم های هوش جمعی تعریف شده و سپس در الگوریتم جستجوی گرانشی برای حل مسائل بهینه سازی چندمدی استفاده شده است. برای این منظور، ابتدا دو ساختار همسایگی "نزدیکترین-بهتر توپولوژیکی" و "نزدیکترین-بهتر مبتنی بر فاصله" تعریف شده، سپس این دو ساختار به طور مجزا در الگوریتم جستجوی گرانشی استفاده شده و دو نسخه ی مختلف از الگوریتم جستجوی گرانشی برای حل مسائل بهینه سازی چندمدی ارائه می شود. برای بررسی کارایی الگوریتم های پیشنهادی، یک ارزیابی تجربی روی چندین تابع محک چندمدی استاندارد صورت گرفته است. نتایج این آزمایشات نشان می دهد که الگوریتم های پیشنهادی می توانند نتایج خوبی نسبت به سایر الگوریتم های بهینه ساز چندمدی به دست آورند.

مسئله ی مکان یابی هاب، از مسائل مهم و پرکاربرد در طراحی شبکه به شمار می آید. هاب های مستقر شده در طول زمان به دلایل مختلفی از جمله بلایای طبیعی یا اختلالات عمدی می توانند از کار بیفتند که در این صورت هزینه های گزافی به شرکت های بهره بردار تحمیل می شود. بنابراین لازم است برنامه ریزی مناسب برای کاهش اثرات مخرب اختلال صورت گیرد. در این تحقیق مسئله ی مکان یابی هاب تک تخصیصه ی بدون ظرفیت تحت شرایط اختلال هاب ها در نظر گرفته شده است. هر هاب بعد از احداث ممکن است دچار اختلال شود؛ بنابراین باید متقاضیانی که به هاب خراب شده در شبکه متصل شده اند به هاب های سالم شبکه تخصیص یابند که در صورت بالا بودن هزینه، جریمه یی به عنوان هزینه ی عدم خدمت رسانی تقاضاها پرداخت شود. مسئله به صورت مدل ریاضی تصادفی دو مرحله یی فرمول بندی شده و روش فراابتکاری ترکیبی جستجوی همسایگی بزرگ تطبیق یافته با شبیه سازی تبرید ارائه شده است. محاسبات انجام شده بر روی دو مجموعه داده نشان دهنده ی کارایی و عملکرد بالای الگوریتم پیشنهادی است.

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.

هدف از حل مساله مسیریابی وسایل نقلیه، یافتن مسیری مناسب با در نظر گرفتن شرایط موجود در مساله حمل و نقل است. در این مساله، در نظر گرفتن شرایط مسیریابی با چند انبار به همراه اعمال محدودیت تردد برخی وسایل نقلیه در برخی مسیرها، شرایطی کاملا واقعی و پیچیده را بوجود خواهد آورد. از طرفی در مواردی نیز لازم است با چندین بار ملاقات، تقاضای مشتریان تحویل داده شود. به این منظور در این تحقیق سعی شده با در نظر گرفتن همزمان شرایط چند انباره بودن، امکان تحویل چندمرحله ای و محدودیت تردد، سعی گردیده است تا شرایط مساله مسیریابی تا حد زیادی به مسایل دنیای واقعی نزدیک گردد. در این مقاله، پس از ارایه یک مدل ریاضی، مساله در ابعاد کوچک با استفاده از حل کننده سیپلکس حل شده است. در ادامه و از آنجاییکه مساله مورد بررسی در دسته مسایل NP-Hard می باشد، برای حل آن در ابعاد بزرگتر، الگوریتم جستجوی همسایگی متغیر پیشنهاد گردیده است. در پایان نیز برای اعتبار سنجی و بررسی کیفیت الگوریتم پیشنهادی، از الگوریتم شبیه سازی تبرید استفاده شده است. نتایج محاسباتی حاصل نشان می دهد که الگوریتم پیشنهادی از نظر زمان و کیفیت حل دارای عملکرد مناسبی است.

این مقاله نوعی روش ترکیبی مورچگان (HACO) را برای حل مساله مسیریابی وسیله نقلیه ظرفیت دار (CVRP)، که یکی از مهم ترین مسائل بهینه سازی ترکیباتی است و امروزه به علت کاربردهای وسیع صنعتی توجه زیادی را به خود جلب کرده است، پیشنهاد می کند. اهداف مساله CVRP کمینه کردن تعداد وسایل نقلیه و کاهش هزینه مسیریابی برای وسایل نقلیه مورداستفاده است. درروش پیشنهادی مفهوم جستجوی همسایگی متغیر (VNS) برای حرکت از جواب جاری به جواب بعدی استفاده می شود. به علاوه سه نوع الگوریتم جستجوی محلی شامل بهبوددهنده دوگانه، درج و جابجایی برای ارتقای بیشتر الگوریتم بکار گرفته می شود. برای آزمایش کارایی الگوریتم، چهارده مثال استاندارد کریستوفیدز از 50 تا 199 مشتری در نظر گرفته شده است. نتایج محاسباتی نشان می دهد که الگوریتم HACO توانسته است که رقابت خوبی در به دست آوردن جواب های باکیفیت با الگوریتم های مشهور فراابتکاری داشته باشد. به علاوه انحراف از بهترین جواب های تاکنون به دست آمده در حدود 1 درصد است و ده بهترین جواب تاکنون پیداشده برای مثال ها به وسیله الگوریتم پیشنهادی به دست آمد.

با توجه به سرعت روزافزون تولید اطلاعات و نیاز تبدیل اطلاعات به دانش، روش های یادگیری ماشین قدیمی دیگر پاسخگو نیستند. هنگام استفاده از طبقه بندی ها با روش های یادگیری ماشین قدیمی، به ویژه استفاده از طبقه بندی های ذاتاً تنبل مانند روش k-نزدیک ترین همسایگی (KNN)، عملیات طبقه بندی داده های حجیم بسیار کند است. نزدیک ترین همسایگی به دلیل سادگی و دقت عملی که ارائه می دهد یک روش محبوب در زمینه طبقه بندی داده ها می باشد. روش پیشنهادی مبتنی بر مرتب سازی بردارهای ویژگی داده های آموزشی در یک درخت جستجوی دودویی است تا طبقه بندی داده های بزرگ را با استفاده از روش نزدیک ترین همسایگی تسریع بخشد. این کار با استفاده از یافتن تقریبی دو دورترین داده محلی در هر گره درخت انجام می شود. این دو داده به عنوان معیار برای تقسیم داده های موجود در گره فعلی بین دو گروه، مورد استفاده قرار می گیرند. مجموعه داده های موجود در هر گره بر اساس شباهت آنها به این دو داده، به فرزند چپ یا راست گره فعلی تخصیص داده می شوند. نتایج آزمایش های متعدد انجام شده بر روی مجموعه داده های مختلف از مخزن UCI، میزان دقت خوب با توجه به زمان اجرای کم روش پیشنهادی را نشان می دهد.