-
دسترسی آزاد مقاله
1 - A Learning Automata Approach to Cooperative Particle Swarm Optimizer
Mohammad Hasanzadeh محمدرضا میبدی محمد مهدی عبادزادهThis paper presents a modification of Particle Swarm Optimization (PSO) technique based on cooperative behavior of swarms and learning ability of an automaton. The approach is called Cooperative Particle Swarm Optimization based on Learning Automata (CPSOLA). The CPSOLA چکیده کاملThis paper presents a modification of Particle Swarm Optimization (PSO) technique based on cooperative behavior of swarms and learning ability of an automaton. The approach is called Cooperative Particle Swarm Optimization based on Learning Automata (CPSOLA). The CPSOLA algorithm utilizes three layers of cooperation which are intra swarm, inter swarm and inter population. There are two active populations in CPSOLA. In the primary population, the particles are placed in all swarms and each swarm consists of multiple dimensions of search space. Also there is a secondary population in CPSOLA which is used the conventional PSO's evolution schema. In the upper layer of cooperation, the embedded Learning Automaton (LA) is responsible for deciding whether to cooperate between these two populations or not. Experiments are organized on five benchmark functions and results show notable performance and robustness of CPSOLA, cooperative behavior of swarms and successful adaptive control of populations. پرونده مقاله -
دسترسی آزاد مقاله
2 - Node Classification in Social Network by Distributed Learning Automata
Ahmad Rahnama Zadeh محمدرضا میبدی Masoud Taheri KadkhodaThe aim of this article is improving the accuracy of node classification in social network using Distributed Learning Automata (DLA). In the proposed algorithm using a local similarity measure, new relations between nodes are created, then the supposed graph is partitio چکیده کاملThe aim of this article is improving the accuracy of node classification in social network using Distributed Learning Automata (DLA). In the proposed algorithm using a local similarity measure, new relations between nodes are created, then the supposed graph is partitioned according to the labeled nodes and a network of Distributed Learning Automata is corresponded on each partition. In each partition the maximal spanning tree is determined using DLA. Finally nodes are labeled according to the rewards of DLA. We have tested this algorithm on three real social network datasets, and results show that the expected accuracy of presented algorithm is achieved. پرونده مقاله -
دسترسی آزاد مقاله
3 - The Surfer Model with a Hybrid Approach to Ranking the Web Pages
Javad Paksima Homa KhajehUsers who seek results pertaining to their queries are at the first place. To meet users’ needs, thousands of webpages must be ranked. This requires an efficient algorithm to place the relevant webpages at first ranks. Regarding information retrieval, it is highly impor چکیده کاملUsers who seek results pertaining to their queries are at the first place. To meet users’ needs, thousands of webpages must be ranked. This requires an efficient algorithm to place the relevant webpages at first ranks. Regarding information retrieval, it is highly important to design a ranking algorithm to provide the results pertaining to user’s query due to the great deal of information on the World Wide Web. In this paper, a ranking method is proposed with a hybrid approach, which considers the content and connections of pages. The proposed model is a smart surfer that passes or hops from the current page to one of the externally linked pages with respect to their content. A probability, which is obtained using the learning automata along with content and links to pages, is used to select a webpage to hop. For a transition to another page, the content of pages linked to it are used. As the surfer moves about the pages, the PageRank score of a page is recursively calculated. Two standard datasets named TD2003 and TD2004 were used to evaluate and investigate the proposed method. They are the subsets of dataset LETOR3. The results indicated the superior performance of the proposed approach over other methods introduced in this area. پرونده مقاله -
دسترسی آزاد مقاله
4 - Eye Gaze Detection Based on Learning Automata by Using SURF Descriptor
Hassan Farsi Reza Nasiripour Sajad MohammadzadehIn the last decade, eye gaze detection system is one of the most important areas in image processing and computer vision. The performance of eye gaze detection system depends on iris detection and recognition (IR). Iris recognition is very important role for person iden چکیده کاملIn the last decade, eye gaze detection system is one of the most important areas in image processing and computer vision. The performance of eye gaze detection system depends on iris detection and recognition (IR). Iris recognition is very important role for person identification. The aim of this paper is to achieve higher recognition rate compared to learning automata based methods. Usually, iris retrieval based systems consist of several parts as follows: pre-processing, iris detection, normalization, feature extraction and classification which are captured from eye region. In this paper, a new method without normalization step is proposed. Meanwhile, Speeded up Robust Features (SURF) descriptor is used to extract features of iris images. The descriptor of each iris image creates a vector with 64 dimensions. For classification step, learning automata classifier is applied. The proposed method is tested on three known iris databases; UBIRIS, MMU and UPOL database. The proposed method results in recognition rate of 100% for UBIRIS and UPOL databases and 99.86% for MMU iris database. Also, EER rate of the proposed method for UBIRIS, UPOL and MMU iris database are 0.00%, 0.00% and 0.008%, respectively. Experimental results show that the proposed learning automata classifier results in minimum classification error, and improves precision and computation time. پرونده مقاله -
دسترسی آزاد مقاله
5 - Cluster-based Coverage Scheme for Wireless Sensor Networks using Learning Automata
Ali Ghaffari Seyyed Keyvan MousaviNetwork coverage is one of the most important challenges in wireless sensor networks (WSNs). In a WSN, each sensor node has a sensing area coverage based on its sensing range. In most applications, sensor nodes are randomly deployed in the environment which causes the d چکیده کاملNetwork coverage is one of the most important challenges in wireless sensor networks (WSNs). In a WSN, each sensor node has a sensing area coverage based on its sensing range. In most applications, sensor nodes are randomly deployed in the environment which causes the density of nodes become high in some areas and low in some other. In this case, some areas are not covered by none of sensor nodes which these areas are called coverage holes. Also, creating areas with high density leads to redundant overlapping and as a result the network lifetime decreases. In this paper, a cluster-based scheme for the coverage problem of WSNs using learning automata is proposed. In the proposed scheme, each node creates the action and probability vectors of learning automata for itself and its neighbors, then determines the status of itself and all its neighbors and finally sends them to the cluster head (CH). Afterward, each CH starts to reward or penalize the vectors and sends the results to the sender for updating purposes. Thereafter, among the sent vectors, the CH node selects the best action vector and broadcasts it in the form of a message inside the cluster. Finally, each member changes its status in accordance with the vector included in the received message from the corresponding CH and the active sensor nodes perform environment monitoring operations. The simulation results show that the proposed scheme improves the network coverage and the energy consumption. پرونده مقاله -
دسترسی آزاد مقاله
6 - همكاري در سيستمهاي چند عامله با استفاده از اتوماتاهاي يادگير
محمدرضا خجسته محمدرضا میبدیعاملها موجودات نرمافزاري هستند كه بطور پيوسته و خود مختار در يک محيط که براي آن طراحي شدهاند کار ميکنند. براي عاملها نيازهايي از قبيل واكنشي بودن نسبت به كنشهاي محيطي، خود مختاري در انتخاب مسير و ادامه آن، قابليت تطبيق و يادگيري و ... ضروري به نظر ميرسد. امروزه مطال چکیده کاملعاملها موجودات نرمافزاري هستند كه بطور پيوسته و خود مختار در يک محيط که براي آن طراحي شدهاند کار ميکنند. براي عاملها نيازهايي از قبيل واكنشي بودن نسبت به كنشهاي محيطي، خود مختاري در انتخاب مسير و ادامه آن، قابليت تطبيق و يادگيري و ... ضروري به نظر ميرسد. امروزه مطالعه سيستمهاي مبتني بر عاملها به يك موضوع مهم آكادميك تبديل شده است كه كاربردهاي تجاري و صنعتي فراواني را نيز دربر دارد. در سيستمهاي چندعامله، چندين عامل هوشمند با قابليت برقراري ارتباط با يكديگر، جهت رسيدن به مجموعهاي از اهداف، با هم همكاري ميكنند. بدليل پيچيدگيهاي موجود در محيطهاي چندعامله پويا و متغير نياز به روشهاي يادگيري ماشين در چنين محيطهايي احساس ميشود. اتوماتاي يادگير يك مدل انتزاعي است كه تعداد محدودي عمل را ميتواند انجام دهد. هر عمل انتخاب شده توسط محيطي احتمالي ارزيابي ميگردد و پاسخي به اتوماتاي يادگير داده ميشود. اتوماتاي يادگير از اين پاسخ استفاده نموده و عمل خود براي مرحله بعد را انتخاب ميكند. در اين مقاله با استفاده از بستر تست شبيهسازي فوتبال روباتها به بررسي كارآيي اتوماتاي يادگير در همكاري بين عاملهاي عضو يك تيم پرداخته شده است. بدليل وجود تعداد حالات بسيار زياد در دامنههاي چندعامله پيچيده، داشتن روشي براي عموميسازي حالات محيطي، امري ضروري است چرا كه انتخاب مناسب چنين روشي، در تعيين حالات و اعمال عامل نقشي تعيين كننده دارد. در اين مقاله همچنين به معرفي و پيادهسازي تكنيك "بهترين گوشه در مربع حالت" پرداخته شده است. با استفاده از اين روش فضاي حالات پيوسته و بسيار وسيع عامل به فضاي حالات گسسته و محدود نگاشته ميشود. كارآيي اين تكنيك در عموميسازي حالات محيطي در يك دامنه چند عامله همكاري گرا مورد بررسي قرار گرفته است. پرونده مقاله -
دسترسی آزاد مقاله
7 - يك الگوريتم تكاملي تخمين توزيع جديد با استفاده از اتوماتاي يادگير
محمدرضا میبدیدر سالهای اخير رويکرد جديدی به منظور حل مشکلات الگوريتمهای تکاملي به ويژه الگوريتمهای ژنتيکي مورد توجه محققين قرار گرفته است. اين رويکرد مبتني برايجاد مدلهای احتمالاتي از ژنومها و اجزای سازنده آنها ميباشد. تاکنون الگوريتمهای متنوعي بر اين اساس ارائه شدهاند که اگر چ چکیده کاملدر سالهای اخير رويکرد جديدی به منظور حل مشکلات الگوريتمهای تکاملي به ويژه الگوريتمهای ژنتيکي مورد توجه محققين قرار گرفته است. اين رويکرد مبتني برايجاد مدلهای احتمالاتي از ژنومها و اجزای سازنده آنها ميباشد. تاکنون الگوريتمهای متنوعي بر اين اساس ارائه شدهاند که اگر چه برخي از سادگي الگوريتمهای ژنتيکي برخوردار نيستند، اما در حل مسائل با موفقيت بيشتری روبرو بودهاند. در اين مقاله رهيافت ديگری از اين الگوريتمها را بر اساس اتوماتای يادگير معرفي و مورد بررسي قرار ميدهيم. در اين رهيافت مدل احتمالاتي اجزای سازنده مسئله به وسيله اتوماتای يادگير و بر اساس ژنومهای نسل توليد شده تخمين زده ميشود. الگوريتم پيشنهادی بسيار ساده و برای مسائل مورد بررسي در اين مقاله دارای کارايي خوبي ميباشد. پرونده مقاله -
دسترسی آزاد مقاله
8 - الگوريتمي مبتنی بر اتوماتاهای يادگير برای تنظيم پارامتر مراقبت در شبكه Fuzzy ARTMAP
مجید انجیدنی محمدرضا میبدیدر اين مقاله الگوريتمي مبتنی بر اتوماتاهای یادگیر برای تنظيم پارامتر مراقبت در شبكه Fuzzy ARTMAP پیشنهاد ميشود. الگوريتم پیشنهادی از طریق تنظیم پارامتر مراقبت در شبکه Fuzzy ARTMAP، شبكهاي کوچک با نرخ بالای تشخیص تولید میکند. ساختار شبکه تولید شده توسط این الگوریتم م چکیده کاملدر اين مقاله الگوريتمي مبتنی بر اتوماتاهای یادگیر برای تنظيم پارامتر مراقبت در شبكه Fuzzy ARTMAP پیشنهاد ميشود. الگوريتم پیشنهادی از طریق تنظیم پارامتر مراقبت در شبکه Fuzzy ARTMAP، شبكهاي کوچک با نرخ بالای تشخیص تولید میکند. ساختار شبکه تولید شده توسط این الگوریتم مستقل از مقدار اولیه برای پارامتر مراقبت میباشد. الگوریتم پیشنهادی بر روی مسائل، دايره در مربع، مارپيچهاي حلزوني و مسئله مربع در مربع آزمایش شده و نتایج مطلوبی بدست آمده است. پرونده مقاله -
دسترسی آزاد مقاله
9 - مدلی مبتنی بر آنتروپی و اتوماتاهاي یادگیر برای حل بازیهای تصادفی
بهروز معصومی محمدرضا میبدیبازیهای غیر قطعی (تصادفی) بهعنوان توسعهای از فرآیندهای تصادفی مارکوف با چندین عامل در سیستمهای چندعامله و مدلسازی آنها حائز اهمیت بوده و بهعنوان چارچوبی مناسب در تحقیقات یادگیری تقویتی چندعامله بهکار رفتهاند. در حال حاضر اتوماتاهای یادگیر بهعنوان ابزاری ارزشمن چکیده کاملبازیهای غیر قطعی (تصادفی) بهعنوان توسعهای از فرآیندهای تصادفی مارکوف با چندین عامل در سیستمهای چندعامله و مدلسازی آنها حائز اهمیت بوده و بهعنوان چارچوبی مناسب در تحقیقات یادگیری تقویتی چندعامله بهکار رفتهاند. در حال حاضر اتوماتاهای یادگیر بهعنوان ابزاری ارزشمند در طراحی الگوریتمهای یادگیری چندعامله بهکار رفتهاند. در این مقاله مدلی مبتنی بر اتوماتای یادگیر و مفهوم آنتروپی برای حل بازیهای غیر قطعی و پیداکردن سیاست بهینه در این بازیها ارائه شده است. در مدل پیشنهادی بهازای هر عامل در هر حالت از محیط بازی یک اتوماتای یادگیر با ساختار متغیر از نوع S قرار داده شده است که اعمال بهینه را در هر حالت یاد میگیرند. تعداد اعمال هر اتوماتا با توجه به همسایگان مجاور هر حالت تعیین شده و ترکیب اعمال اتوماتاها حالت بعدی محیط را انتخاب میکند. در مدل پیشنهادی از آنتروپی بردار احتمالات اتوماتای یادگیر حالت جدید برای کمک به پاداشدهی اتوماتاها و بهبود یادگیری استفاده شده است. برای بررسی و تحلیل رفتار الگوریتم یادگیری پارامتری بهنام آنتروپی کلی تعریف گردیده که میزان همگرایی را در الگوریتم یادگیری بیان میکند. در نهایت الگوریتمی اصلاحیافته با ایجاد تعادل بین جستجو و استناد بر تجربیات پیشنهاد شده است. نتایج آزمایشها نشان میدهد الگوريتم ارائهشده از کارایی مناسبی از هر دو جنبه هزينه و سرعت رسيدن به راه حل بهينه برخوردار است. پرونده مقاله -
دسترسی آزاد مقاله
10 - یک روش جدید مبتنی بر معیارهای آماری توزیع برای تنظیم خودکار نرخ یادگیری اتوماتای یادگیر در محیطهای پویا
محمدرضا ملاخلیلی میبدی محمدرضا میبدییکی از مسایل مطرح در ساخت سیستمهای یادگیر نظیر شبکههای عصبی و یا اتوماتای یادگیر، تعیین نرخ یادگیری است. در اکثر موارد از یک الگوریتم کاهشیابنده در طول زمان برای تنظیم نرخ یادگیری استفاده میشود. در این مقاله یک روش جدید برای تغییر نرخ یادگیری و انطباق سیستم یادگیرند چکیده کاملیکی از مسایل مطرح در ساخت سیستمهای یادگیر نظیر شبکههای عصبی و یا اتوماتای یادگیر، تعیین نرخ یادگیری است. در اکثر موارد از یک الگوریتم کاهشیابنده در طول زمان برای تنظیم نرخ یادگیری استفاده میشود. در این مقاله یک روش جدید برای تغییر نرخ یادگیری و انطباق سیستم یادگیرنده با وضعیت محیط، برای استفاده در اتوماتای یادگیر پیشنهاد شده است. این روش جدید از برخی معیارهای آماری مربوط به توزیع فعلی به دست آمده برای بردار احتمالات متناظر با اقدامهای اتوماتا به منظور تعیین افزایش یا کاهش نرخ یادگیری استفاده میکند. مزیت این روش در آن است که بر خلاف روشهای موجود فعلی، در طول فرایند یادگیری هم افزایش و هم کاهش مقدار نرخ یادگیری را - بسته به نتایج مقایسه معیارهای آماری - انجام میدهد و به صورت خودکار نرخ یادگیری را تنظیم میکند. ضمن تشریح مبانی ریاضی این الگوریتم جدید، عملکرد این الگوریتم را در محیطهای تصادفی نمونه بررسی کرده و با مقایسه نتایج به دست آمده نشان دادهایم روش پیشنهادی جدید به دلیل این که در طول زمان یادگیری، همزمان و بر اساس معیارهای تعیینشده، افزایش و کاهش نرخ یادگیری را انجام میدهد، از انعطافپذیری بیشتری نسبت به روشهای قبلی برای انطباق با محیطهای تصادفی پویا برخوردار است و مقادیر یاد گرفته شده به مقادیر حقیقی نزدیکتر هستند. پرونده مقاله -
دسترسی آزاد مقاله
11 - انتخاب زیرمجموعه بهینه از ویژگیهای استخراجشده توسط عملگر بهینهشده LBP بر مبنای CLA - EC در سیستم بازشناسی چهره
اختر حضرتی بیشک کریم فائز حسین برقی جند سجاد قطعیما در اين مقاله روش کارامد جديدی را مبتنی بر توصيفگر الگوی باينری محلی برای بازشناسی چهره معرفی کرديم. چون محاسبات داخل الگوی باینری محلی بین مقادیر دو پیکسل انجام میشود، حتی تغییرات کوچک در الگوی باینری عملکرد آن را تحت تأثیر قرار میدهد. در این مقاله یک روش جدید بازش چکیده کاملما در اين مقاله روش کارامد جديدی را مبتنی بر توصيفگر الگوی باينری محلی برای بازشناسی چهره معرفی کرديم. چون محاسبات داخل الگوی باینری محلی بین مقادیر دو پیکسل انجام میشود، حتی تغییرات کوچک در الگوی باینری عملکرد آن را تحت تأثیر قرار میدهد. در این مقاله یک روش جدید بازشناسی چهره برای انتخاب الگوهای باینری میانگین محلی (LABP) بر مبنای آتاماتای یادگیر سلولی مبتنی بر محاسبات تکاملی ارائه شده است. در روش پیشنهادی، ابتدا الگوهای باینری یکنواخت محلی توسط LABP از تصاویر چهره استخراج میشود. در LABPجهت به دست آوردن نمایش ویژگی مقاومتر، نقاط نمونه زیادی مورد استفاده قرار گرفته است، سپس بهترین زیرمجموعه از این الگوها بدون داشتن اطلاعات اولیه از آنها توسط روش CLA-ECپیدا شده و از آنها هیستوگرام گرفته میشود و در نهایت از ماشین بردار پشتیبان برای طبقهبندی استفاده میشود. نتیجه به دست آمده از شبیهسازی سیستمهای بازشناسی چهره روی مجموعه داده FERET، برتری الگوریتم پیشنهادی را نسبت به الگوریتمهای دیگر نشان داد. پرونده مقاله -
دسترسی آزاد مقاله
12 - یک چارچوب مبتنی بر آتاماتای یادگیر توزیع شده توسعه یافته برای حل مسأله یافتن زیرگراف بهینه تصادفی
محمدرضا ملاخلیلی میبدی محمدرضا میبدیدر این مقاله، یک ساختار جدید شبکهای از آتاماتاهای یادگیر موسوم به آتاماتای یادگیر توزیعشده توسعهیافته معرفی شده و سپس الگوریتمی مبتنی بر این ساختار شبکهای برای حل مسأله زیرگراف بهینه در گرافهای تصادفی با یالهای وزندار از طریق نمونهگیری ارائه میشود. نشان داده شد چکیده کاملدر این مقاله، یک ساختار جدید شبکهای از آتاماتاهای یادگیر موسوم به آتاماتای یادگیر توزیعشده توسعهیافته معرفی شده و سپس الگوریتمی مبتنی بر این ساختار شبکهای برای حل مسأله زیرگراف بهینه در گرافهای تصادفی با یالهای وزندار از طریق نمونهگیری ارائه میشود. نشان داده شده که ساختار شبکهای جدید پیشنهادی قادر به حل مسایل بهینهسازی روی گرافهای تصادفی از طریق نمونهگیری با تعداد نمونه کمتر نسبت به روش نمونهگیری استاندارد است. علاوه بر این، اثباتی برای همگرایی آن به جواب بهینه ارائه شده و نشان داده میشود که ساختار شبکهای پیشنهادی همواره با احتمال 1 به جواب بهینه همگرا میگردد. پرونده مقاله -
دسترسی آزاد مقاله
13 - يک الگوريتم جديد مبتني بر آتاماتاي يادگير توزيعشده توسعهيافته براي يادگيري پارامتري شبکه بيزي
محمدرضا ملاخلیلی میبدی محمدرضا میبدیدر اين مقاله يک آتاماتاي توزيعشده جديد به نام آتاماتاي يادگير توزيعشده توسعهيافته براي يادگيري توزيع توأم مجموعهاي از متغيرهاي تصادفي معرفي خواهد شد. اين شبکه از آتاماتاها در محيطهايي که پاسخ محيط به مجموعهاي از اقدامات انجامشده توسط آتاماتا، مستقل از يکديگر نبود چکیده کاملدر اين مقاله يک آتاماتاي توزيعشده جديد به نام آتاماتاي يادگير توزيعشده توسعهيافته براي يادگيري توزيع توأم مجموعهاي از متغيرهاي تصادفي معرفي خواهد شد. اين شبکه از آتاماتاها در محيطهايي که پاسخ محيط به مجموعهاي از اقدامات انجامشده توسط آتاماتا، مستقل از يکديگر نبوده و نوعي وابستگي شرطي ميان اين پاسخها حاکم باشد، کاربرد دارد. نشان داده شده که اين آتاماتاي جديد قادر است تخميني از توزيع شرطي اقدامها را فرا بگيرد. در ادامه چارچوبی مبتني بر آتاماتاي يادگير توزيعشده جديد پيشنهادي، براي حل مسأله يادگيري برخط پارامترهاي یک شبکه بیزی ارائه شده است. اين چارچوب با دادهها و شواهد جديد منطبق شده و عمليات به روز رساني پارامترها را انجام ميدهد. با بررسيهاي رياضي و آزمايشهاي عملي روي شبکههاي نمونه، نشان دادهايم که اين مدل جديد قادر است با تخميني با دقت برابر با EM، يادگيري پارامترهاي يک شبکه بيزي را انجام دهد. علاوه بر ويژگي افتراقیبودن و يادگيري برخط، اين ساختار جديد با شرايطي که دادهها ناکامل باشند نيز سازگار است و به دليل استفاده از روابط يادگيري خطي و مبتني بر آتاماتاي يادگير، سربار محاسباتي کمي نيز دارد. پرونده مقاله -
دسترسی آزاد مقاله
14 - PLAER: الگوريتم مسيريابي آگاه از انرژي در شبکههاي حسگر بيسيم به کمک مفهوم جريمه در اتوماتاي يادگير
مرتضي پرويزي عمران علي معيني حميد حاج سيدجواديحسگرهاي موجود در شبکههاي حسگر بيسيم معمولاً با انرژي باتري و با عمر محدود کار ميکنند، به همين دليل کاهش مصرف انرژي در آنها از اهميت بسزايي برخوردار است. در اين مقاله، الگوريتم مسيريابي جديدي جهت کاهش مصرف انرژي در اين شبکهها معرفي ميشود که از اتوماتاي يادگير به منظ چکیده کاملحسگرهاي موجود در شبکههاي حسگر بيسيم معمولاً با انرژي باتري و با عمر محدود کار ميکنند، به همين دليل کاهش مصرف انرژي در آنها از اهميت بسزايي برخوردار است. در اين مقاله، الگوريتم مسيريابي جديدي جهت کاهش مصرف انرژي در اين شبکهها معرفي ميشود که از اتوماتاي يادگير به منظور يافتن مسير مناسب جهت ارسال بستههاي داده بهره ميگيرد. رويکرد اصلي اين الگوريتم به اين صورت است که مصرف انرژي در مسيرهاي مختلف را با در نظر گرفتن سطح انرژي و تأخير گرهها متوازن نگه ميدارد و بدين منظور از شيوه جريمهدهي در اتوماتاي يادگير بهره ميگيرد. براي ارزيابي کارايي الگوريتم پيشنهادي، اين پروتکل مسيريابي با نرمافزار OMNET++ شبيهسازي و نتايج به دست آمده با دو پروتکل LABER و BEAR مقايسه شده است. نتايج شبيهسازي نشان ميدهد که در شبکه با ساختار استاتيک، در مصرف انرژي و ارسال بستههاي کنترلي و در نتيجه طول عمر شبکه در پروتکل پيشنهادي نسبت به پروتکلهاي مقايسهشده بهبود حاصل شده است. پرونده مقاله -
دسترسی آزاد مقاله
15 - یک معیار جدید جهت ایجاد تعادل بین جستجوی عمومی و محلی در الگوریتمهای ممتیکی یک معیار جدید جهت ایجاد تعادل بین جستجوی عمومی و محلی در الگوریتمهای ممتیکی
مهدی رضاپور میرصالح محمدرضا میبدییکی از مشکلات الگوریتمهای ژنتیک سنتی، مشکل همگرایی زودرس است که باعث ناتوانی آنها در جستجوی جوابهای مناسب میشود. یک الگوریتم ممتیک از جستجوی محلی برای افزایش سرعت کشف جوابهای مناسبی که پیداکردن آنها به وسیله جستجوی عمومی تنها به طول میانجامد یا قابل دسترس نباشند، ا چکیده کاملیکی از مشکلات الگوریتمهای ژنتیک سنتی، مشکل همگرایی زودرس است که باعث ناتوانی آنها در جستجوی جوابهای مناسب میشود. یک الگوریتم ممتیک از جستجوی محلی برای افزایش سرعت کشف جوابهای مناسبی که پیداکردن آنها به وسیله جستجوی عمومی تنها به طول میانجامد یا قابل دسترس نباشند، استفاده میکند. در این مقاله یک الگوریتم ممتیک مبتنی بر اتوماتای یادگیر به نام LA-MA ارائه شده که از دو بخش ژنتيکي و ممتيکي تشکيل شده است. تکامل يا جستجوي عمومي در بخش ژنتیکی و بهرهبرداری یا جستجوی محلی در بخش ممتیکی انجام میشوند. در بخش ممتيکي، احتمال موفقيت جستجوي محلي تخمين زده شده و در صورتي که انجام جستجوي محلي نسبت به جستجوي عمومي مقرون به صرفه باشد، بهرهبرداري انجام ميشود. تخمين صحيح احتمال موفقيت جستجوي محلي، باعث ايجاد تعادل بين جستجوي عمومي و محلي شده و کارايي الگوريتم ممتيک را بالا ميبرد. در این مقاله از دو مسأله بيشينهسازي يكها و تناظر گراف جهت ارزيابي كارايي الگوريتم پيشنهادي استفاده شده است. نتايج آزمايشها نشان ميدهد كه الگوريتم پيشنهادي از نظر كيفيت جوابهاي به دست آمده و نرخ همگرايي نسبت به ساير الگوريتمها عملكرد بهتري دارد. پرونده مقاله -
دسترسی آزاد مقاله
16 - یادگیری ساختاری شبکههای بیزی یک رهیافت مبتنی بر آتاماتاهای یادگیر
محمدرضا ملاخلیلی میبدی محمدرضا میبدییکی از مسایل جالب در هوش مصنوعی ساخت شبکه بیزی بر اساس نمونههایی از دادهها است؛ یعنی فرض کنید یک شبکه بیزی N روی مجموعه متغیرهای V مفروض است. هدف، ساخت یک شبکه بیزی- استخراج مجموعهای از روابط علت/ معلولی- میان مجموعه متغیرها بر اساس نمونههایی که از N استخراج شده و چکیده کاملیکی از مسایل جالب در هوش مصنوعی ساخت شبکه بیزی بر اساس نمونههایی از دادهها است؛ یعنی فرض کنید یک شبکه بیزی N روی مجموعه متغیرهای V مفروض است. هدف، ساخت یک شبکه بیزی- استخراج مجموعهای از روابط علت/ معلولی- میان مجموعه متغیرها بر اساس نمونههایی که از N استخراج شده و بدون در اختیار داشتن N است. از این مسأله در متون با عنوان یادگیری ساختاری شبکه بیزی یاد میشود. یکی از روشهای مهم در یادگیری ساختاری شبکههای بیزی با استفاده از دادههای نمونه، استفاده از معیارهای مبتنی بر امتیاز برای ارزیابی میزان برازندگی یک ساختار بیزی مفروض با دادههای نمونه و جست و جو در میان ساختارهای ممکن است. جست و جو برای یافتن یک ساختار مناسب برای شبکه بیزی که بیشترین سازگاری را با نمونهها داشته باشد غالباً از طریق جست و جو در فضای ساختارها با استفاده از تکنیکهای جست و جوی استاندارد یا الهامگرفته از طبیعت نظیر تپهنوردی حریصانه، الگوریتمهای ژنتیک، شبیهسازی حرارتی یا الگوریتم تبرید، بهینهسازی کلونی مورچهها و نظایر آن صورت میگیرد. در این مقاله یک روش جدید مبتنی بر آتاماتای یادگیر برای یادگیری ساختاری شبکه بیزی ارائه شده است. در این روش آتاماتای یادگیر به عنوان یک ابزار جستجوی تصادفی مورد استفاده قرار میگیرد. از ویژگیهای روش جدید پیشنهادی جستجوی همزمان در فضای جایگشتهای ممکن از متغیرها (فضای ترتیب متغیرها) و فضای ساختارها (فضای DAGها) است. ضمن بررسی ریاضی الگوریتم پیشنهادی، روش جدید روی تعدادی از شبکههای نمونه مورد آزمایش قرار گرفته است. پرونده مقاله -
دسترسی آزاد مقاله
17 - یک معیار مبتنی بر واریانس برای ارزیابی یادگیری آتاماتای یادگیر در حل مسایل بهینهسازی گراف تصادفی
محمدرضا ملاخلیلی میبدی محمدرضا میبدیدر این مقاله به بررسی یک معیار جدید مقایسهای برای تولید پاسخ محیط در حل مسایل بهینهسازی روی گرافهای تصادفی به عنوان مدلی از شبکههای کامپیوتری توسط شبکهای از آتاماتاهای یادگیر میپردازیم. این روش جدید به دلیل لحاظکردن تقریبی از واریانس پاسخهای تولیدشده توسط شبکه آ چکیده کاملدر این مقاله به بررسی یک معیار جدید مقایسهای برای تولید پاسخ محیط در حل مسایل بهینهسازی روی گرافهای تصادفی به عنوان مدلی از شبکههای کامپیوتری توسط شبکهای از آتاماتاهای یادگیر میپردازیم. این روش جدید به دلیل لحاظکردن تقریبی از واریانس پاسخهای تولیدشده توسط شبکه آتاماتاهای یادگیر، قادر به انطباق بیشتری با محیط بوده و در نتیجه پاسخهای مناسبتری به اقدامهای انجامشده توسط آتاماتاها در شبکهای از آتاماتاهای یادگیر میدهد. روش جدید از طریق واردکردن یک مقدار نویز محاسبهشده، از ایستایی فرایند یادگیری و گیرافتادن آن در نقاط کمینه محلی جلوگیری کرده و باعث تسریع در فرایند یادگیری میشود. به کمک شبیهسازیها نشان میدهیم این روش جدید در مقایسه با روشهای فعلی که تا کنون مورد استفاده بوده است، هم به لحاظ سرعت همگرایی به جواب بهینه و هم به لحاظ قابلیت گریز از اثر واریانس وزن یالهای گراف تصادفی- که باعث میل جواب نهایی به سمت کوچکترین مقدار و نه مقدار میانگین میشود- عملکرد بهتری دارد. پرونده مقاله -
دسترسی آزاد مقاله
18 - ارائه يک مدل جديد ممتيکي مبتني بر اتوماتاي يادگير ساختار ثابت
مهدي رضاپور ميرصالح محمدرضا میبدیالگوريتم ممتيک يکی از انواع الگوريتمهاي تکاملي است که با استفاده از جستجوي عمومي و جستجوي محلي فضاي حل مسأله را به صورت بهينه جستجو مينمايد. تعادل بين جستجوي عمومي و محلي، همواره يکی از مسايل مهم در اين دسته از الگوريتمها است. در اين مقاله يک مدل جديد ممتيکي با نام 2 چکیده کاملالگوريتم ممتيک يکی از انواع الگوريتمهاي تکاملي است که با استفاده از جستجوي عمومي و جستجوي محلي فضاي حل مسأله را به صورت بهينه جستجو مينمايد. تعادل بين جستجوي عمومي و محلي، همواره يکی از مسايل مهم در اين دسته از الگوريتمها است. در اين مقاله يک مدل جديد ممتيکي با نام 2GALA ارائه شده است. اين مدل از ترکيب الگوريتم ژنتيک و اتوماتاي مهاجرت اشيا که نوع خاصي از اتوماتاي يادگير ساختار ثابت میباشد، تشکيل شده است. در مدل ارائهشده جستجوي عمومي توسط الگوريتم ژنتيک و يادگيري محلي به وسيله اتوماتاي يادگير انجام ميشود. در اين مدل جهت افزايش سرعت همگرايي و فرار از همگرايي زودرس، به طور همزمان از دو مدل يادگيري لامارکي و بالدويني استفاده شده است. در اين مدل تکاملي، جهت استفاده توأم از اثرات مثبت تکامل و يادگيري محلي، کروموزمها به وسيله اتوماتاي مهاجرت اشيا بازنمايي شدهاند. جهت نمایش برتری مدل ارائهشده نسبت به سایر روشهای موجود، از این مدل برای حل مسأله تناظر گراف استفاده گردیده است. پرونده مقاله -
دسترسی آزاد مقاله
19 - ارائه الگوریتم یادگیری انتقالی برای بهبود سرعت و صحت همگرایی در اتوماتای یادگیر سلولی
سید امیرهادی مینوفام اعظم باستان فرد محمدرضا کیوانپور: اتوماتای یادگیر سلولی، یک مدل هوشمند به صورت آمیزهای از اتوماتای سلولی و اتوماتای یادگیر است. پایینبودن سرعت همگرایی در اتوماتای یادگیر سلولی یکی از چالشهای اساسی به شمار میرود. در این مطالعه، الگوریتم گسترشیافتهای از اتوماتای یادگیر سلولی مبتنی بر یادگیری انتقا چکیده کامل: اتوماتای یادگیر سلولی، یک مدل هوشمند به صورت آمیزهای از اتوماتای سلولی و اتوماتای یادگیر است. پایینبودن سرعت همگرایی در اتوماتای یادگیر سلولی یکی از چالشهای اساسی به شمار میرود. در این مطالعه، الگوریتم گسترشیافتهای از اتوماتای یادگیر سلولی مبتنی بر یادگیری انتقالی به نام TL-CLA پیشنهاد میگردد که از یادگیری انتقالی به عنوان راهکاری برای کاهش محاسبات و کمینهسازی چرخه یادگیری بهره میگیرد. مدل گسترشیافته پیشنهادی بر اساس تابع شایستگی و بردار نگرش برای انتقال یادگیری طراحی شده است. در الگوریتم TL-CLA، ابتدا مقدار تابع شایستگی بر اساس محیط محلی و مقدار بردار نگرش بر مبنای محیط سراسری اتوماتا محاسبه میشود. زمانی که این دو معیار حد آستانه مقرر را کسب کنند، انتقال بردار احتمالات اقدام ها سبب انتقال یادگیری از اتوماتای یادگیر سلولی منبع به اتوماتای یادگیر سلولی مقصد میشود. نتایج آزمایشها نشان میدهند که مدل پیشنهادی TL-CLA در محیطهای عملیاتی استاندارد با دو اقدام و چند اقدام، به طور میانگین، به ترتیب به اندازه 7/2% و 2/2% از نظر صحت همگرایی افزایش یافته است. نرخ همگرایی نیز به طور میانگین، به ترتیب 8% و 2% بهبود داشته است. اتوماتای یادگیر سلولی TL-CLA پیشنهادی در انتقال دانش حاصل از یادگیری یک وظیفه برای وظیفهای مشابه کاربرد دارد. پرونده مقاله -
دسترسی آزاد مقاله
20 - يک الگوريتم جديد مبتني بر آتاماتاي یادگير توزيعشده براي حل مسئله بهینهسازی خطی تصادفی روی گروه جایگشتها
محمدرضا ملاخليلي ميبدي معصومه زجاجیدر این مقاله ابتدا نوعی از بهینهسازی جایگشت معرفی شده است. در این نوع بهینهسازی فرض گردیده که تابع هزینه، دارای یک تابع توزیع احتمال ناشناخته است. این فرض باعث میشود که پیچیدگی حل مسئله یافتن جایگشت بهینه که به دلیل بزرگی ذاتی فضای جوابها پیچیده است، تشدید شود. یک ا چکیده کاملدر این مقاله ابتدا نوعی از بهینهسازی جایگشت معرفی شده است. در این نوع بهینهسازی فرض گردیده که تابع هزینه، دارای یک تابع توزیع احتمال ناشناخته است. این فرض باعث میشود که پیچیدگی حل مسئله یافتن جایگشت بهینه که به دلیل بزرگی ذاتی فضای جوابها پیچیده است، تشدید شود. یک الگوریتم مبتنی بر آتاماتای یادگیر توزیعشده برای حل مسئله از طریق انجام توأمان جستجو در فضای جوابهای جایگشت و نمونهگیری از مقادیر تصادفی ارائه میدهیم. ضمن بررسی ریاضی رفتار الگوریتم جدید پیشنهادی، نشان میدهیم که با انتخاب مقادیر مناسب پارامترهای الگوریتم یادگیر، این روش جدید میتواند جواب بهینه را با احتمالی به اندازه دلخواه نزدیک به ۱۰۰% و از طریق هدفمندکردن جستجو به کمک آتاماتای یادگیر توزیعشده پیدا کند. نتیجه اتخاذ این سیاست، کاهش تعداد نمونهگیریها در روش جدید در مقایسه با روشهای مبتنی بر نمونهگیری استاندارد است. در ادامه، مسئله یافتن درخت پوشای کمینه در گراف تصادفی به عنوان یک مسئله بهینهسازی جایگشت تصادفی بررسی گردیده و راه حل ارائهشده مبتنی بر آتاماتای یادگیر برای حل آن به کار گرفته شده است. پرونده مقاله -
دسترسی آزاد مقاله
21 - TPALA: Two Phase Adaptive Algorithm based on Learning Automata for job scheduling in cloud Environment
Abolfazl Esfandi Javad Akbari Torkestani Abbas Karimi Faraneh ZarafshanDue to the completely random and dynamic nature of the cloud environment, as well as the high volume of jobs, one of the significant challenges in this environment is proper online job scheduling. Most of the algorithms are presented based on heuristic and meta-heuristi چکیده کاملDue to the completely random and dynamic nature of the cloud environment, as well as the high volume of jobs, one of the significant challenges in this environment is proper online job scheduling. Most of the algorithms are presented based on heuristic and meta-heuristic approaches, which result in their inability to adapt to the dynamic nature of resources and cloud conditions. In this paper, we present a distributed online algorithm with the use of two different learning automata for each scheduler to schedule the jobs optimally. In this algorithm, the placed workload on every virtual machine is proportional to its computational capacity and changes with time based on the cloud and submitted job conditions. In proposed algorithm, two separate phases and two different LA are used to schedule jobs and allocate each job to the appropriate VM, so that a two phase adaptive algorithm based on LA is presented called TPALA. To demonstrate the effectiveness of our method, several scenarios have been simulated by CloudSim, in which several main metrics such as makespan, success rate, average waiting time, and degree of imbalance will be checked plus their comparison with other existing algorithms. The results show that TPALA performs at least 4.5% better than the closest measured algorithm. پرونده مقاله