In this paper, the performance of meta-heuristic algorithms is compared using statistical analysis based on new criteria (powerfulness and effectiveness). Due to the large number of meta-heuristic methods reported so far, choosing one of them by researchers has always been challenging. In fact, the user does not know which of these methods are able to solve his complex problem. In this paper, in order to compare the performance of several methods from different categories of meta-heuristic methods new criteria are proposed. In fact, by using these criteria, the user is able to choose an effective method for his problem. For this reason, statistical analysis is conducted on each of these methods to clarify the application of each of these methods for the users. Also, powerfulness and effectiveness criteria are defined to compare the performance of the meta-heuristic methods to introduce suitable substrate and suitable quantitative parameters for this purpose. The results of these criteria clearly show the ability of each method for different applications and problems. پرونده مقاله

در اين تحقيق با استفاده از روش بهينه‌سازي چندمنظوره گروه ذرات طبقه‌بندي کننده‌اي ارائه شده است که همزمان قادر به بهينه‌سازي شاخص‌هاي متفاوت و مهمي در تشخيص الگو نظير قابليت اطمينان، نرخ تشخيص صحيح و تعداد ابرصفحه‌هاي لازم براي مرزبندي مؤثر کلاس‌هاي متفاوت در فضاي ويژگي مي‌باشد. در طراحي طبقه‌بندي کننده پيشنهادشده مسايل مهم فوق-برازش و فوق-آموزش نيز برطرف شده است. توانايي دستيابي همزمان به شاخص‌هاي مذکور در ساير طبقه‌بندي کننده‌هاي مبتني بر روش‌هاي هوش جمعي وجود ندارد. نتايج عملي به دست آمده بر روي داده‌هاي آزمايشي نشان مي‌دهند که طبقه‌بندي کننده چندمنظوره پيشنهادي با تخمين جبهة پَرِتو بهترين مجموعه انتخابي از ابرصفحه‌هاي جداکننده کلاس‌هاي مختلف را براي برپايي شرايط دلخواه کاربر در خصوص انتخاب شاخص‌هاي فوق‌الذکر، فراهم مي‌آورد. پرونده مقاله

در اين تحقيق يک روش جديد خوشه‌يابي خودکار مبتني بر الگوريتم ايمني مصنوعي ارائه شده است. در روش پيشنهادشده طول سلول‌هاي تدافعي پويا بوده و بر اساس فواصل درون‌خوشه‌اي و بين‌خوشه‌اي به‌وسيله يک کنترل‌کننده فازي تعيين مي‌شود. حاصل اين تدبير دستيابي به تعداد مناسب خوشه‌ها بدون انجام آزمايشات مکرر است که به‌تبع آن يک خوشه‌يابي مؤثر و کارآمد (به‌صورت خودکار) حاصل خواهد شد. البته تنظيم دستي تعداد خوشه‌ها (مانند ساير روش‌هاي معمول خوشه‌يابي) نيز پيش‌بيني شده است تا امکان دسترسي به نتايج مورد نظر (و دلخواه) کاربران فراهم باشد. روش ارائه‌شده بر روي انواع مختلفي از داده‌هاي مصنوعي و داده‌هاي مشهور در پردازش الگو (با تنوع در ابعاد فضاي ويژگي و تعداد نمونه‌ها) آزمايش شده است. نتايج به‌دست آمده برتري نسبتاً قابل توجهي را در عملکرد اين روش نسبت به روش k means (به‌عنوان يك روش خوشه‌يابي مرسوم) نشان مي‌دهد. اين برتري در مواجهه با حجم داده‌هاي زياد، بيشتر به چشم مي‌خورد. همچنين اين نتايج نشان مي‌دهند كه روش پيشنهادشده در مقايسه با روش خوشه‌يابي وراثتي (به‌عنوان يك روش خوشه‌يابي جديد) داراي عملكردي مشابه و در مواردي بهتر از آن مي‌باشد. پرونده مقاله

تاکنون شیوه‌های مختلفی برای طبقه‌بندی داده ارائه شده است اما در این میان شبکه‌های عصبی مخاطبان بیشتری را به خود جذب کرده‌اند. مهم‌ترین مسئله در این نوع از طبقه‌بندی‌کننده‌ها انتخاب روشی مناسب برای آموزش شبکه‌های عصبی است. متداول‌ترین روش آموزشی شبکه‌های عصبی روش پس‌انتشار خطا است که همگرايي کُند و توقف در نقاط بهينه محلي از مهم‌ترین نقاط ضعف آن محسوب می‌شود. رویکرد جدید محققین استفاده از الگوریتم‌های ابتکاری در فرایند آموزش شبکه‌های عصبی است. در این مقاله پیشنهاد استفاده از روش آموزشی نوینی به نام الگوریتم جستجوي گرانشي (GSA) در آموزش شبکه‌های عصبی به‌منظور طبقه‌بندی داده‌ها ارائه می‌شود. روش GSA آخرين و جديدترين نسخه از انواع روش‌هاي بهينه‌سازي هوش جمعي است که با الهام از مفاهيم جرم و نيروي جاذبه و با شبيه‌سازي قوانين مرتبط با آن ارائه شده است. در این مقاله با استفاده از روش GSA یک شبکه عصبی MLP جهت طبقه‌بندی پنج مجموعه داده مرجع آموزش داده می‌شود. همچنین کارایی روش پیشنهادی در آموزش و آزمایش شبکه عصبی با دو روش آموزشی پس‌انتشار خطا و بهینه‌سازی گروه ذرات مقایسه می‌شود. نتایج نهایی نشان می‌دهند در اکثر موارد روش GSA قابلیت چشمگیری در طبقه‌بندی صحیح داده‌ها دارد. به‌علاوه در آزمایشات انجام‌گرفته ویژگی منحصر به‌فردی از روش GSA پدیدار شد و آن پایداری نسبتاً عالی در طبقه‌بندی صحیح داده‌ها در تمام موارد بود. از نقطه نظر معیار زمانی نیز روش GSA نسبت به روش PSO در زمان کمتری به پاسخ مناسب دست می‌یابد. پرونده مقاله

مهم‌ترین موضوع در طراحی طبقه‌بندی‌کننده‌های فازی، تعیین متغیرهای فازی اعم از نوع و مکان توابع عضویت، بخش مقدم و تالی قواعد فازی و تعداد قواعد بهینه می‌باشد. در واقع، اینها پارامترهای ساختاری یک طبقه‌بندی‌کننده فازی هستند که طراح سعی می‌کند با یافتن مقادیر بهینه آنها، به بهترین عملکرد (به‌عنوان مثال بالاترین نرخ تشخیص صحیح) دست یابد. این مسئله را می‌توان به‌صورت یک مسئله جستجو در فضای با ابعاد بالا در نظر گرفت، به‌گونه‌ای که هر نقطه در فضای پاسخ، نشان‌دهنده یک مجموعه قواعد با توابع عضویت خاص می‌باشد که در محل‌های ویژه استقرار یافته‌اند. با این توضیح به نظر می‌رسد الگوریتم‌های ابتکاری (اعم از تکاملی و هوش جمعی)، ابزار مناسبی برای یافتن بهترین پارامترهای یک طبقه‌بندی‌کننده فازی باشند. ویژگی برجسته این روش‌ها این است که با تعریف مناسبی از تابع برازندگی می‌توان تخمین بهینه‌ای از کلیه پارامترهای مؤثر در یک طبقه‌بندی‌کننده فازی را به‌صورت خودکار و بدون نیاز به تنظیم دستی (به‌صورت سعی و خطا) به‌دست آورد. در این مقاله با به‌کارگیری الگوریتم بهینه‌سازی گروه ذرات روشی برای طراحی بهینه یک طبقه‌بندی‌کننده فازی ارائه شده است. روش پیشنهادی قادر است نوع توابع عضویت، محل آنها، قواعد فازی لازم و تعداد آنها را به‌طور هم‌زمان تخمین زده و بدون دخالت کاربر نسبت به بهینه‌سازی آنها اقدام نماید. نتایج به‌دست آمده از آزمایشات مکرر بر روی داده‌های مشهور و مسئله کاربردی طبقه‌بندی اهداف رادار، توانایی روش ارائه‌شده را در استخراج کلیه پارامترهای یک طبقه‌بندی‌کننده فازی در مقایسه با روش‌های مشابه نشان می‌دهد. پرونده مقاله

روش بهینه‌سازی نیروی مرکزی (CFO) یکی از روش‌های ابتکاری جستجو و بهینه‌سازی جدید است که به تازگی به مجموعه روش‌های هوش جمعی اضافه شده است. در این تحقیق، روشی مؤثر و کارامد برای خوشه‌یابی بدون ناظر تصویر با استفاده از الگوریتم فوق ارائه و CFO - Clustering نامیده شده است. در روش پیشنهادی، هر پروب در بر دارنده اطلاعات مربوط به مراکز خوشه می‌باشد که به صورت تصادفی در ابتدای فرایند جستجو مقداردهی می‌شود. این مقادیر در طی مراحل مختلف الگوریتم CFO تغییر کرده و در نهایت پس از رسیدن به شرط توقف، حاوی مراکز بهینه خوشه‌ها خواهند بود. ملاک بهینه‌سازی یا تابع برازندگی، هم حاوی فواصل درون‌خوشه‌ای و هم شامل فواصل بین خوشه‌ای می‌باشد. آزمایشات مکرر بر روی تصاویر مرجع، کارایی روش CFO-Clustering را نسبت به سایر روش‌های مرسوم خوشه‌بندی نشان می‌دهد. پرونده مقاله

در این مقاله، یک ترانزیستور MESFET با گیت تورفته در دو سمت سورس و درین و لایه مدفون نوع N در کانال (SDS-DRG) ارائه می‌گردد. مهم‌ترین پارامترهای الکتریکی ساختار پیشنهادی همچون اثر کانال کوتاه، هدایت انتقالی، جریان درین و ولتاژ شکست شبیه‌سازی شده و با همین مقادیر در ترانزیستورهای MESFET با گیت تورفته در سمت سورس (SS-DRG) و گیت تورفته در سمت درین (DS-DRG) مقایسه می‌شود. نتایج شبیه‌سازی نشان می‌دهد که کاهش ضخامت کانال زیرگیت در ساختار SDS-DRG، باعث بهبود ماکسیمم هدایت انتقالی و کاهش اثر کانال کوتاه در مقایسه با ساختارهای SS-DRG و DS-DRG می‌گردد. کاهش ضخامت کانال زیرگیت در سمت درین در ساختار SDS-DRG، جهت افزایش ولتاژ شکست نسبت به ساختار SS-DRG استفاده می‌شود. همچنین لایه مدفون N با چگالی ناخالصی بالا در SDS-DRG، منجر به افزایش جریان درین اشباع در مقایسه با SS-DRG و DS-DRG می‌شود. پرونده مقاله

در این مقاله، یک ترانزیستور HEMT گالیم نیترایدی با یک لایه نیمه‌هادی نوع P در لایه سد در هر دو سمت سورس و درین (SD-PL) مورد بررسی قرار می‌گیرد. مهم‌ترین پارامترهای الکتریکی این ترانزیستور را مانند خازن گیت- سورس، خازن گیت- درین، هدایت انتقالی، فرکانس قطع، میدان الکتریکی افقی، ولتاژ شکست، هدایت خروجی و جریان درین اشباع به وسیله نرم‌افزار دوبعدی اطلس شبیه‌سازی می‌کنیم. نتایج شبیه‌سازی شده در ساختار پیشنهادی با دو ساختار دیگر با لایه P در سمت سورس (SD-PL) و لایه P در سمت درین (D-PL) و ساختار مرسوم مقایسه می‌شوند. مطابق نتایج به دست آمده، ساختار پیشنهادی باعث بهبود خازن گیت- سورس، ماکسیمم هدایت انتقالی، فرکانس قطع و هدایت خروجی در مقایسه با ساختار D-PL می‌گردد. همچنین این ساختار جدید باعث کاهش ماکسیمم میدان الکتریکی در گوشه گیت سمت درین شده و در نتیجه، ولتاژ شکست را به میزان قابل ملاحظه‌ای در مقایسه با ساختار مرسوم افزایش می‌دهد. افزایش طول (LP) و ضخامت (TP) لایه P در ساختارهای SD-PL و S-PL باعث بهبود ولتاژ شکست، خازن گیت- سورس، خازن گیت- درین و هدایت خروجی خواهد شد. پرونده مقاله

بهبود عملکرد مبدل آنالوگ به دیجیتال از جنبه‌های متفاوتی نظیر بهبود معماری کلی مبدل، بهبود معماری بلوک‌های سازنده و یا بهبود طراحی بلوک‌ها بررسی می‌شود. بلوک مقایسه‌گر به عنوان یک جزء اساسی در مبدل‌های داده نقش بسیار مؤثری در عملکرد یک مبدل آنالوگ به دیجیتال دارد و از این رو توجه محققان را به خود جلب کرده است. چالش اصلی در این راستا، وجود اهداف طراحی متناقض و محدودیت‌ها و الزامات مداری پیچیده‌ای است که طراحی بهینه این بلوک را بیش از پیش سخت و دشوار می‌کند. به همین سبب رویکرد جدید طراحان استفاده از روش‌های ابتکاری است که به صورت گسترده در پژوهش‌های جدید به چشم می‌خورد. در میان روش‌های نوظهور ابتکاری، الگوریتم بهینه‌سازی سیستم صفحات شیب‌دار (IPO) روشی نسبتاً جدید و الهام‌گرفته از حرکت دینامیکی اجسام بر روی صفحات شیب‌دار بدون اصطکاک می‌باشد. اما علی‌رغم توانایی این روش در مرور و کاوش فضای جستجو، مدل استاندارد آن دارای روابطی پیچیده و توأم با پارامترهای ساختاری متعددی است که غالباً کاربر را در انتخاب مقادیر مناسب برای آنها دچار تردید و سردرگمی می‌کند. در این مقاله ابتدا با ساده‌سازی مؤثر IPO یک روش ابتکاری با نام SIPO پیشنهاد شده و کارایی آن در بهینه‌سازی 10 تابع آزمون استاندارد مورد سنجش قرار گرفته است. در ادامه به منظور طراحی و بهینه‌سازی، مقایسه‌گرهای دودنباله نسخه چندهدفه SIPO (با نام MOSIPO) ارائه و عملکرد آن در طراحی این نوع از مقایسه‌گرها بررسی و با روش‌های هوشمند چندهدفه متداول و قدرتمند دیگر مقایسه شده ‌است. نتایج حاصل‌شده به وضوح برتری SIPO و MOSIPO را نسبت به سایر روش‌ها نشان می‌دهد. پرونده مقاله