-
دسترسی آزاد مقاله
1 - استفاده از روش تركيبي PSO – GA جهت جايابي بهينة خازن در سیستمهای توزيع
محمدهادی ورهرام امیر محمدیدر اين مقاله ، ما يك الگوريتم جديد پيشنهاد كردهايم كه PSO و ژنتيك را به طريقي با هم تركيب میکند بگونهاي كه الگوريتم جديد مؤثرتر و كارآمدتر میشود. اين بدان معناست که سرعت رسيدن به پاسخ به طور قابل ملاحظهاي افزايش مييابد و در عين حال دقّت پاسخ نيز به مراتب بالاتر چکیده کاملدر اين مقاله ، ما يك الگوريتم جديد پيشنهاد كردهايم كه PSO و ژنتيك را به طريقي با هم تركيب میکند بگونهاي كه الگوريتم جديد مؤثرتر و كارآمدتر میشود. اين بدان معناست که سرعت رسيدن به پاسخ به طور قابل ملاحظهاي افزايش مييابد و در عين حال دقّت پاسخ نيز به مراتب بالاتر است. خاصيت الگوريتم بهينهسازي تجمّع اين است که به سرعت همگرا ميشود ، اما در نزديكيهاي نقطة بهينه فرآيند جستجو به شدّت كند ميشود . از طرفی میدانیم که الگوريتم ژنتيك نيز به شرايط اوليه به شدت حساس است. در حقيقت طبيعت تصادفي عملگرهاي ژنتيك ، الگوريتم را به جمعیّت اوليّه حساس ميکند. اين وابستگي به شرايط اوليه به گونهاي است كه اگر جمعیّت اوليه خوب انتخاب نشود ، الگوريتم ممكن است همگرا نشود. در اين مقاله با استفاده از اين الگوريتم تركيبي GA- PSO، مكان و اندازة بهينة خازن در يك سيستم توزيع نمونه بدست آمده است . همچنين جايابي بهينة خازن با الگوريتم هاي PSO و GA بطور جداگانه بدست و نتايج با هم مقايسه شدهاند .نتايج نشان میدهند که الگوريتم جديد ميتواند سريعتر به پاسخ برسد و به جمعیّت اوليه وابسته نيست و پاسخهاي دقيقتري را پيدا میکند. پرونده مقاله -
دسترسی آزاد مقاله
2 - A Threshold-based Brain Tumour Segmentation from MR Images using Multi-Objective Particle Swarm Optimization
Katkoori Arun Kumar Ravi BodaThe Pareto optimal solution is unique in single objective Particle Swarm Optimization (SO-PSO) problems as the emphasis is on the variable space of the decision. A multi-objective-based optimization technique called Multi-Objective Particle Swarm Optimization (MO-PSO) i چکیده کاملThe Pareto optimal solution is unique in single objective Particle Swarm Optimization (SO-PSO) problems as the emphasis is on the variable space of the decision. A multi-objective-based optimization technique called Multi-Objective Particle Swarm Optimization (MO-PSO) is introduced in this paper for image segmentation. The multi-objective Particle Swarm Optimization (MO-PSO) technique extends the principle of optimization by facilitating simultaneous optimization of single objectives. It is used in solving various image processing problems like image segmentation, image enhancement, etc. This technique is used to detect the tumour of the human brain on MR images. To get the threshold, the suggested algorithm uses two fitness(objective) functions- Image entropy and Image variance. These two objective functions are distinct from each other and are simultaneously optimized to create a sequence of pareto-optimal solutions. The global best (Gbest) obtained from MO-PSO is treated as threshold. The MO-PSO technique tested on various MRI images provides its efficiency with experimental findings. In terms of “best, worst, mean, median, standard deviation” parameters, the MO-PSO technique is also contrasted with the existing Single-objective PSO (SO-PSO) technique. Experimental results show that Multi Objective-PSO is 28% advanced than SO-PSO for ‘best’ parameter with reference to image entropy function and 92% accuracy than Single Objective-PSO with reference to image variance function. پرونده مقاله -
دسترسی آزاد مقاله
3 - Detection of Attacks and Anomalies in the Internet of Things System using Neural Networks Based on Training with PSO Algorithms, Fuzzy PSO, Comparative PSO and Mutative PSO
Mohammad Nazarpour navid nezafati Sajjad ShokouhyarIntegration and diversity of IOT terminals and their applicable programs make them more vulnerable to many intrusive attacks. Thus, designing an intrusion detection model that ensures the security, integrity, and reliability of IOT is vital. Traditional intrusion detect چکیده کاملIntegration and diversity of IOT terminals and their applicable programs make them more vulnerable to many intrusive attacks. Thus, designing an intrusion detection model that ensures the security, integrity, and reliability of IOT is vital. Traditional intrusion detection technology has the disadvantages of low detection rates and weak scalability that cannot adapt to the complicated and changing environment of the Internet of Things. Hence, one of the most widely used traditional methods is the use of neural networks and also the use of evolutionary optimization algorithms to train neural networks can be an efficient and interesting method. Therefore, in this paper, we use the PSO algorithm to train the neural network and detect attacks and abnormalities of the IOT system. Although the PSO algorithm has many benefits, in some cases it may reduce population diversity, resulting in early convergence. Therefore,in order to solve this problem, we use the modified PSO algorithm with a new mutation operator, fuzzy systems and comparative equations. The proposed method was tested with CUP-KDD data set. The simulation results of the proposed model of this article show better performance and 99% detection accuracy in detecting different malicious attacks, such as DOS, R2L, U2R, and PROB. پرونده مقاله -
دسترسی آزاد مقاله
4 - الگوريتم PSO در پخش بار اقتصادي و پخش آلودگي براي توابع هزينه ناصاف با وجود تلفات خطوط انتقال و محدوديتهاي عملي سيستم
رحمتالله هوشمند معين پرستگارييکي از مسائل مهم در بهرهبرداری از سيستمهاي قدرت پخش بار اقتصادی دقیق و مبتنی بر واقعیت میباشد. بهاین منظور در اين مقاله پخش بار اقتصادي بهوسیله الگوريتم پيشنهادي PSO انجام میپذیرد. برای نزدیکشدن شرایط مسئله پخش بار اقتصادی به شرایط واقعی تابع هزينه مصرف سوخت نیرو چکیده کامليکي از مسائل مهم در بهرهبرداری از سيستمهاي قدرت پخش بار اقتصادی دقیق و مبتنی بر واقعیت میباشد. بهاین منظور در اين مقاله پخش بار اقتصادي بهوسیله الگوريتم پيشنهادي PSO انجام میپذیرد. برای نزدیکشدن شرایط مسئله پخش بار اقتصادی به شرایط واقعی تابع هزينه مصرف سوخت نیروگاههای سيستم قدرت بهصورت ناصاف در نظر گرفته ميشود. از طرف دیگر کاهش میزان آلودگي ناشی از نیروگاهها نيز بهعنوان جزيي از اهداف مسأله در نظر گرفته شده و بههمین علت همزمان با پخش بار اقتصادي پخش آلودگی نیز انجام میشود. از طرفی براي انجام پخش بار اقتصادي واقعي و بهينه باید محدوديتهاي نقطه کار سيستم و تلفات شبکه نیز در روند بهينهسازي مد نظر قرار گيرد که اين محدودیتها در الگوريتم پيشنهادي در نظر گرفته شده است. در انتها نتايج روش پيشنهادي با ديگر روشها (از قبيل روش جست و جوي تابو، الگوريتم ژنتيک و شبکههاي عصبي) مقايسه شده است، در نتیجه خصوصيات و مزاياي واقعي اين روش مشخصتر ميگردد. همچنين نتايج شبيهسازي نشان ميدهد که روش PSO يک روش سریع با دقت قابل قبول ميباشد. پرونده مقاله -
دسترسی آزاد مقاله
5 - روشی جدید بهمنظور خوشهبندی دادههای سرعت باد در نیروگاههای بادی با استفاده از الگوریتمهای FCM و PSO
حسین افراخته یاسر بستانی املشییکی از روشهای رایج در خوشهبندی دادهها، استفاده از الگوریتم خوشهبندی فازی FCM است. اما معمولاً استفاده از این روش هنگامی که حجم دادهها زیاد باشد، منجر به توزیع ناهمگون دادهها میگردد. در این مقاله روشی جدید برای خوشهبندی دادههای سرعت باد در نیروگاههای بادی ارائه چکیده کاملیکی از روشهای رایج در خوشهبندی دادهها، استفاده از الگوریتم خوشهبندی فازی FCM است. اما معمولاً استفاده از این روش هنگامی که حجم دادهها زیاد باشد، منجر به توزیع ناهمگون دادهها میگردد. در این مقاله روشی جدید برای خوشهبندی دادههای سرعت باد در نیروگاههای بادی ارائه شده است. در این روش، دادههای سرعت باد با استفاده از الگوریتم PSO خوشهبندی شده و نتایج بهدست آمده با پاسخهای روشهای خوشهبندی FCM و K-means مقایسه گردیده است. نتایج شبیهسازی نشان میدهد که روش ارائهشده همگرایی بهتری نسبت به روشهای FCM و K-means داشته و این وضعیت بهویژه در شرایطی که حجم بالاتری از دادهها در اختیار باشد، محسوستر خواهد بود. پرونده مقاله -
دسترسی آزاد مقاله
6 - ارائه روش جهش هوشمند مبتنی بر الگوریتم PSO برای حل مسئله انتخاب ویژگی
محمود پرنده مینا زلفی لیقوان جعفر تنهاامروزه با افزایش حجم تولید داده، توجه به الگوریتمهای یادگیری ماشین جهت استخراج دانش از دادههای خام افزایش یافته است. داده خام معمولاً دارای ویژگیهای اضافی یا تکراری است که بر روی عملکرد الگوریتمهای یادگیری تأثیر میگذارد. جهت افزایش کارایی و کاهش هزینه محاسباتی الگو چکیده کاملامروزه با افزایش حجم تولید داده، توجه به الگوریتمهای یادگیری ماشین جهت استخراج دانش از دادههای خام افزایش یافته است. داده خام معمولاً دارای ویژگیهای اضافی یا تکراری است که بر روی عملکرد الگوریتمهای یادگیری تأثیر میگذارد. جهت افزایش کارایی و کاهش هزینه محاسباتی الگوریتمهای یادگیری ماشین، از الگوریتمهای انتخاب ویژگی استفاده میشود که روشهای متنوعی برای انتخاب ویژگی ارائه شده است. از جمله روشهای انتخاب ویژگی، الگوریتمهای تکاملی هستند که به دلیل قدرت بهینهسازی سراسری خود مورد توجه قرار گرفتهاند. الگوریتمهای تکاملی بسیاری برای حل مسئله انتخاب ویژگی ارائه شده که بیشتر آنها روی فضای هدف تمرکز داشتهاند. فضای مسئله نیز میتواند اطلاعات مهمی برای حل مسئله انتخاب ویژگی ارائه دهد. از آنجایی که الگوریتمهای تکاملی از مشکل عدم خروج از نقطه بهینه محلی رنج میبرند، ارائه یک مکانیزم مؤثر برای خروج از نقطه بهینه محلی ضروری است. در این مقاله از الگوریتم تکاملی PSO با تابع چندهدفه برای انتخاب ویژگی استفاده شده که در آن یک روش جدید جهش که از امتیاز ویژگیهای ذرات استفاده میکند، به همراه نخبهگرایی برای خروج از نقاط بهینه محلی ارائه گردیده است. الگوریتم ارائهشده بر روی مجموعه دادههای مختلف تست و با الگوریتمهای موجود بررسی شده است. نتایج شبیهسازیها نشان میدهند که روش پیشنهادی در مقایسه با روش جدید RFPSOFS بهبود خطای 20%، 11%، 85% و 7% به ترتیب در دیتاستهای Isolet، Musk، Madelon و Arrhythmia دارد. پرونده مقاله -
دسترسی آزاد مقاله
7 - A New Power Allocation Optimization for One Target Tracking in Widely Separated MIMO Radar
Mohammad Akhondi Darzikolaei Mohammad Reza Karami-Mollaei Maryam NajimiIn this paper, a new power allocation scheme for one target tracking in MIMO radar with widely dispersed antennas is designed. This kind of radar applies multiple antennas which are deployed widely dispersed from each other. Therefore, a target is observed simultaneousl چکیده کاملIn this paper, a new power allocation scheme for one target tracking in MIMO radar with widely dispersed antennas is designed. This kind of radar applies multiple antennas which are deployed widely dispersed from each other. Therefore, a target is observed simultaneously from different uncorrelated angles and it offers spatial diversity. In this radar, a target’s radar cross section (RCS) is different in each transmit-receive path. So, a random complex Gaussian RCS is supposed for one target. Power allocation is used to allocate the optimum power to each transmit antenna and avoid illuminating the extra power in the environment and hiding it from interception. This manuscript aims to minimize the target tracking error with constraints on total transmit power and the power of each transmit antenna. For calculation of target tracking error, the joint Cramer Rao bound for a target velocity and position is computed and this is assumed as an objective function of the problem. It should be noted that a target RCS is also considered as unknown parameter and it is estimated along with target parameters. This makes a problem more similar to real conditions. After the investigation of the problem convexity, the problem is solved by particle swarm optimization (PSO) and sequential quadratic programming (SQP) algorithms. Then, various scenarios are simulated to evaluate the proposed scheme. The simulation results validate the accuracy and the effectiveness of the power allocation structure for target tracking in MIMO radar with widely separated antennas. پرونده مقاله -
دسترسی آزاد مقاله
8 - تشخیص نفوذ و ناهنجاری¬ها با استفاده از داده کاوی و انتخاب ویژگیها بوسیله الگوریتم PSO
فریدون رضائی محمدعلی افشار کاظمی محمد علی کرامتیامروزه با توجه به پیشرفت فناوری و توسعه استفاده از اینترنت در کسب و کارها و تغییر نوع کسب و کارها از حالت فیزیکی به مجازی و اینترنت، باعث شده است که نوع حملات و ناهنجاری های مرتبط نیز از حالت فیزیکی به حالت مجازی تغییر کند. یعنی بجای دستبرد به یک فروشگاه یا مغازه، افراد چکیده کاملامروزه با توجه به پیشرفت فناوری و توسعه استفاده از اینترنت در کسب و کارها و تغییر نوع کسب و کارها از حالت فیزیکی به مجازی و اینترنت، باعث شده است که نوع حملات و ناهنجاری های مرتبط نیز از حالت فیزیکی به حالت مجازی تغییر کند. یعنی بجای دستبرد به یک فروشگاه یا مغازه، افراد با استفاده از حملات سایبری به سایت ها و فروشگاه های مجازی نفوذ کرده و در آنها اخلال ایجاد می کند. آشکارسازی حملات و ناهنجاریها یکی از چالشهای جدید در مسیر پیشبرد تکنولوژی تجارت الکترونیک می باشد. تشخیص ناهنجاری های یک شبکه و فرآیند شناسایی فعالیتهای مخرب در کسب و کارهای تجارت الکترونیک با تجزیه و تحلیل رفتار ترافیک شبکه امکانپذیر است. سیستمهای داده کاوی بطور گسترده ای در سیستمهای تشخیص نفوذ (IDS) برای تشخیص ناهنجاری ها استفاده می شود. کاهش ابعاد ویژگیها نقش بسیار مهمی در تشخیص نفوذ ایفا می کند، زیرا تشخیص ناهنجاری ها از ویژگیهای ترافیک شبکه با ابعاد بالا فرآیندی زمان بری است. انتخاب ویژگیهای درست و مناسب بر سرعت تجزیه و تحلیل و کار پیشنهادی تاثیر می-گذارد و می تواند سرعت تشخیص را بهبود بخشد. در این مقاله با استفاده از الگوریتم های داده کاوی مانند J48 و PSO توانستیم میزان دقت تشخیص ناهنجاری ها و حملات به میزان قابل توجه ای بهبود ببخشیم. پرونده مقاله