دانلود با لینک مستقیم و پر سرعت .
نوع فایل: word
قابل ویرایش 137 صفحه
چکیده:
بهینه سازی swarm ذرات (PSO) ، یک الگوریتم تکاملی برای بهینه سازی می باشد و مشخص می کند که آیا انتخاب طبیعی، یا سازگارترین بقا میتواند توانائی فرار الگوریتم را از بهینه سازی محلی بالا ببرد یا خیر. بسیاری از شبیه سازیها برای شبیه سازی کردن گزینه ها الگوریتم PSO را بصورت موازی بکار می برند و هر یک از swarm ها در جهت حل یک مشکل تست عمل می کنند. برای اجرای گزینه ها قوانینی ساده پیش بینی شده است.
توانایی PSO فرار از بهینه سازی محلی از طریق قیاس یک swarm تکی و یک مجموعه مشابه از swarm ها انجام می گیرد و مقدمتاً در غیاب مکانیسم انتخاب متفاوت می شوند برای همان مشکل تست مشابه کار می کنند. فرایند گزینش نشان داده است که توانائی ایجاد بهترین نوع کنترل سرعت ذرات را دارد که یک مشکل انتخاب طرح خاص الگوریتم PSO است .
متد PSO از ذرات swarm همکار در جائیکه هر ذره یک راه حل داوطلبانه را ارائه می دهد استفاده می کند . هر ذره به طور اتفاقی یا اکتشافی ارزش دهی شده است . در هر مرحله از بهینه سازی هر ذره مجاز است تا سازگاری خودش و سازگاری ذرات مجاورش را ارزیابی کند . هر ذره می تواند نشانی از راه حلش را بر جای بگذارد ، که می تواند منجر به بهترین سازگاری شود. همچنین میتواند داوطلبانه راه حل بهترین عملکرد در ذره مجاورش باشد .
اصلی ترین مشکل در بهینه سازی swarm این است که آنها در مطلوبترین موضع به داممی افتند . ممکن است الگوریتمی خاص در یک مکان بهترین عملکرد را داشته باشد ولی در الگوریتمی دیگر ناموفق عمل کند . اگر بتوان الگوریتمی را طراحی کرد که با عملکرد سازگاری تطبیق داشته باشد و خودش را با لند اسکیپ سازگار تطبیق دهد یک الگوریتم قویتر با کاربردی وسیعتر بدون نیاز به مهندسی خاصی برای حل مشکل نتیجه خواهد داد.استراتژیهائی جهت اجتناب از بهینه سازی محلی که شامل کشش پارسوپولوس (2) و محدب سازی (3) هستند به کار میروند.طبیعت به روشی اشاره می کند که احتمال دارد به گیر انداختن بهینه سازی محلی کمک نماید .
مقدمه:
بهینه سازی گروه ذره (PSO) ، جمعیتی که بر پایه روش بهینه سازی اتفاقی ، توسط دکتر آبراهانت و دکتر کندی در سال 1995 گسترش یافت ، از رفتار اجتماعی دسته های پرندگان یا ماهیان الهام گرفته شده است .
PSO بسیاری از شباهت ها را با روش های محاسبه تکاملی ، مانند الگوریتم های ژنتیک (GA) به اشتراک می گذارد . این شیوه ها با انبوهی از راه حل های تصادفی و با استفاده از تولیدات روز در جستجوی بهترین ها است . اگرچه PSO و GA بی شباهت با اپراتورهای تکاملی ای همچون همبری کروموزومی و جهش نیست ، در راه حل های بالقوه ، که ذرات نامیده شدند ، در فضای میان مسائل در پی ذرات بهینه متداول ، پرواز می کنند .همانطور که بیان شد الگوریتم بهینه سازی swarm ذره) (PSO یک تکنیک بر اساس جمعیت است که برگرفته از حرکت دسته پرندگان، یا ماهی ها می باشد ؛ چنین دسته هایی در واقع سازمان هایی اجتماعی هستند که رفتار کلی آنها متکی بر نوعی ارتباط بین اعضا و تعاونی می باشد . کلیه اعضا دسته ای از قوانین ساده را پیروی می کنند که ارتباط درون دسته و بین دسته و محیط را مدل سازی می نماید . هر چند رفتار سراسری بسیار پیچیده تر و عموماً مجموع موفق است .
برای نمونه ، یک دسته معمولاً در یافتن بهترین مکان تغذیه موفق است ، ولی یک عضو تک همان دسته تقریباً غیر ممکن است که همین موفقیت را کسب کند . الگوی PSO به نظر می رسد که پیروی 5 اصل پایه از هوش swarm می باشد : نزدیکی ، کیفیت ، پاسخ متنوع ، ثبات و سازش پذیری
انتخاب ویژگی یکی از بخش های مهم در بازشناسی الگو است . با انتخاب ویژگی های مناسب نرخ بازشناسی درست طبقه بند افزایش می یابد . در اینجا از الگوریتم های PSO پیوسته و باینری برای انتخاب ویژگی در طبقه بندی معنایی تصویر که یکی از چالش های مهم در بازیابی تصویر است ، استفاده شده است . برای این منظور از یک پایگاه تصویر شامل ١٠ گروه معنایی ، هر گروه شامل ١٠٠ تصویر ، استفاده شده است . برای طبقه بندی از روش k همسایه نزدیکترو برای تخمین نرخ آن از روش « یکی را کنار بگذار » استفاده شده است . عملکرد الگوریتم های PSO باینری ، PSO پیوسته و الگوریتم وراثتی در شرایطی یکسان با یکدیگر مقایسه شده و نتایج آن تحلیل شده است .
با نظر به اینکه وسعت و محدوده الگوریتم های ژنتیک بسیار گسترده می باشد ، لذا پوشش دادن تمامی مطالب در این صفحات امکانپذیر نمی باشد . الگوریتم های ژنتیک بخشی از تحولات رشته کامپیوتر هستند که دارای فضای رشد سریعی در عرصه هوش مصنوعی می باشند .
به طوری که می توان حدس زد ، الگوریتم های ژنتیک ازتئوری داروین که درمورد تکامل تدریجی است ، الهام گرفته اند . با نگاه دقیق به روند تکامل ، یعنی روندی که طبیعت برای حل مسائل خود از آن استفاده می کند ، می توان به ایده های جالب و قابل پیاده سازی رسید . جانوران برای ابقاء خود و ادامه حیات مجبور به سازگاری با محیط هستند . اطلاعات گرفته شده درطی هزاران سال از طبیعت در کروموزوم ها ودر سطح پایین تر روی ژن ها و DNA ها ذخیره می گردد .
فهرست مطالب:
فصل اول : بررسی ساختار ا لگوریتم های تکاملی
1-1) مقدمه
1-2) تاریخچه
1-3) کروموزوم
1-4) فضای جستجو
1-5) جمعیت ژنتیکی
1-6) تابع شایستگی
1-7) عملگرهای ژنتیک
1-7-1) عملگر برش
1-7-2) عملگر جهش
1-8) پارامترهای الگوریتم ژنتیک
1-8-1) پارامتر احتمال برش
1-8-2) پارامتر احتمال جهش
1-8-3) پارامترهای دیگری
1-9) ساختار کلی الگوریتم های ژنتیک
1-10) شرط خاتمه الگوریتم های ژنتیک
1-11) انواع روشهای رمزگذاری کروموزوم
1-11-1 )نمایش باینری
1-11-2) نمایش با مقدار حقیقی
1-11-3) نمایش ترتیبی
1-11-4) نمایش درختی
1-12) انواع روش های انتخاب
1-12-1)Roulette Wheel Selection
1-12-2) Rank Selection
1-12-3) Steady State Selection
1-12-4) Tournament Selection
1-13) انواع روشهای عمل برش
1-13-1) رمزگذاری باینری
1-13-1-1) روش تک نقطه ای
1-13-1-2) روش دو نقطه ای
1-13-2) برش متحدالشکل
1-13-3) برش حسابی
1-13-4) رمزگذاری نوع ترتیبی
1-13-5) برش درختی
1-14) انواع روشهای عمل جهش
1-15) نظریات
فصل دوم : ارزیابی گسسته و الگوریتم swarm ذره
2-1) مقدمه
2-2) الگوریتم بهینه سازی swarm ذره
3-2) اثر ارزیابی گسسته
2-4) نتیجه گیری
2-5) مقدمه ای بر PSO
2-5-1 )منابع الهام گرفته شده
2-5-2) نظرات
2-5-3) بهینه سازی پیوسته
2-5-4) الگوریتم اصلی
2-5-5) متغیرهای اصلی
2-5-6) توپولوژی های جمعیت های مختلف
2-5-7) Interia Weight
2-5-8) کاهش زمانی Interia Weight
2-5-9) معیار PSO
2-5-10) فرم کامل PSO
2-5-11) دیگر متغیرها
2-5-12) پارامتر انتخاب
2-5-13) موضوع جستجو
2-5-14) کار روی IRIDIA-CODE
فصل سوم : انگیزه ایجاد PSO و بررسی ساختار آن
3-1) مقدمه ای بر هوش جمعی
3-1-2)تور الگویی روانشناسی اجتماعی
3-1-3)تئوری مؤثر اجتماعی پویا لاتانس
3-1-4) مشخصات تئوری مؤثر اجتماعی پویا
3-1-5) تئوری مؤثر اجتماعی پویا : خلاصه
3-1-6) مدل فرهنگی آکسل رود
3-1-7) مدل فرهنگی سازگار شهری
3-1-8) خلاصه معرفت و فرهنگ
3-1-9) خوب نظرتان در رابطه با هوش چیست ؟
3-1-10) یک دور کوتاه از محاسبه تدریجی
3-1-11) مشخصات محاسبه تدریجی- الگوی (EC)
3-1-12) الگوریتم محاسبه تدریجی
3-1-13) الگوهای محاسبه تدریجی
3-1-14) جمعیت ها
3-1-15) جمعیت با هوش
3-1-16) اصول اصلی هوش گروهی (مارک میلوناس)
3-2)مقدمه ای بر بهینه سازی خرده جمعیت
3-2-1) تکامل مفهوم والگوی PSO
3-2-2) مشخصات بهینه سازی ذره
3-2-3) فرایند PSO
3-2-4) معادله های تازه مساحت در سرعت PSO
3-2-5) جزئیات بیشتر از PSO
3-2-6) تبعیت PSO در اصول هوش جمعی
3-2-7) آزمایش های پایه
3-2-8) سیستم های مبهم کامل شده
3-3) شبکه های عصبی مصنوعی تکمیلی
3-3-1)مقدمه
3-3-2) شبکه های عصبی تکاملی با بهینه سازی گروه ذره
3-3-3) تکمیل شدن ساختار شبکه ای با PSO
3-3-4) PSO مسائل سخت را حل می کند
3-4) سیستم های محرک بهینه سازی شده و ردیابی شده
3-4-1) ایجاد نسخه اصلی با Inertia Weight (چگالی وزن)
3-4-2) انواع سیستم محرک
3-4-3) الزامات عملکرد عملی
3-4-4) کار قبلی
3-4-5) نتایج و تلاشهای آینده
3-4-6) ردیابی PSO اجتماع
3-4-7) نمونه عملکرد
3-4-7-1) کنترل ولتاژ و قدرت عملکرد دوباره
3-4-7-2) سیستم جدول بندی برای ترمینال اتوماتیک شده سراسری
3-4-7-3) زمانبندی سیستم برای IACT – Workflow
3-5) شبکه های عصبی و توده ذرات
3-5-1) شبکه های عصبی
منابع و مأخذ:
[1].H.A.Firip and E.Goodman , “Swarmed feature selection”, in IEEE Proceedings of the 33rd Applied Imagery Pattern Recognition Workshop, AIPR’04, 2004.
[2]. M.L.Raymer, W.F.Punch, E.Gooddman, L.A.Kuhn and A.K.Jain, “Dimentionality reduction using genetic algorithm”, IEEE Transaction on Evolutionary Computation”, vol. 4, no. 2, pp. 164- 171, 2000.
[3]. W.Siedlecki and J.Sklansky, “On automatic feature selection”, International Journal of Pattern Recognition and Artificial Intelligence, vol. 2, no. 2. pp. 197-220, 1989.
[4] . H.Vafaie and K.De Jong, “Robust feature selection algorithms” , Proc. Of the fifth Conference on Tools for Artificial Intelligence, Boston, pp. 356-363, 1993.
[5]. W.Siedlecki and J.Sklansky, “A note on genetic algorithm for large scale feature selection”, Pattern Recognition Letters , vol. 10, pp. 335-347, 1989
]6[. س.م.رضوی ، ها.صدوقی یزدی و ا.کبیر « انتخاب ویژگی برای بازشناسی ارقام دست نویس فارسی به کمک الگوریتم های وراثتی» ، هفتمین کنفرانس سالانه انجمن کامپیوتر ایران ، ص ٢٨٥ تا 292 ، 1380 .
[7]. J.D.Kelly and L.Davis, “Hybridizing the genetic algorithm and the k-nearest neighbor classification algorithm”, in Proc. 4th Int. Conf. on Genetic Algorithms Application, pp. 377-383, 1991
]8[. ح.نظام آبادی پور و ا.کبیر «ترکیب ویژگیهای سطح پایین برای طبقه بندی معنایی تصاویر» پذیرفته شده در مجله علمی پژوهشی کامپیوتر.
[9]. J.Kennedy and R.C.Eberhart, “Particle swarm optimization”, Proceedings of IEEE International Conference on Neural Networks, vol. 4, 1995.
[10]. M.Clers and J.Kennedy, “The particle swarm-explosion , stability and convergence in multidimensional complex space”, IEEE Trans. on Evolutionary Computing, vol. 6, pp. 58-73, 2002.
[11]. F.V.D.Bergh, “An analysis of particle swarm optimizer”, PhD thesis, University of Pretoria, South Africa, 2001.
[12]. H.B.Lip, Y.Y.Tang, J.Meng and Y.Jp, “Neural networks learning using vbest model particle swarm optimization”, Proceedings of the 3rd International Conference on Machine
[13]. B.Al-kazemi and C.K.Mohan, “Training feed forward neural networks using multi-phase particle swarm optimization”, Proceedings of the 9th International conference on Neural Information, vol. 5, 2002.
[14]. D.Merwe and A.Engelbrecht, “Data clustering using particle swarm optimization”, http://cirg.cs.up.ac.za/publications/ CEC2003d.pdf
[15]. T.R.Machado and H.S.Lopes, “A hiybrid particle swarm optimization model for the traveling salesman problem”, in: B.Ribeiro et al., Adaptive and Natural Computing Algorithms. Springer, pp. 255-258, 2005.
[16]. V.G.Gudise and G.K.Venayagamoorthy, “FPGA placement and routing using particle swarm optimization”, Proceedings of the IEEE Computer Society Annual Symposium on VLSI Emerging trends in VLSI Systems Design (ISVLSI’04), 2004.
[17]. J.Kennedy and R.C.Eberhart, “A Discrete Binary version of the particle swarm algorithm”, IEEE International Conference on Computational Cybernetics and Simulation, vol. 5, 1997.
[18]. S.Antani,R.Kasturi and R.Jain, “A survey on the use of pattern recognition methods for abstraction, indexing and retrieval”, Pattern Recognition, vol.1, pp.945-965, 2002.
[19]. A.W.M.Smeulders, M.Worring, S.Santini, A.Gupta and R.Jain, “Content-based image retrieval at the end of the early years”, IEEE Trans. on Pattern Analysis and Machine Intelligence, vol.22, no.12, pp.1349-1380, 2000.
[20]. R.C.Veitkamp and M.Tanase, “Content-based image retieval system: a survey”, Technical Report, UU-CS-2000-34, university of Utrecht, 2000. http://www.cs/.uu.nl /research/techreps/UU-CS-2000-34.html.
[21]. Y.Rui and T.S.Huang, “Image retrieval: current techniques, promising directions and open issues”, Journal of Visual Communication and Image Representation, vol.10, pp.39-62 , 1999.
[22]. Y.Li, X.Wan and C.C.J.Kuo, “ Introduction to content– based image retrieval-overview of key techniques”, in Image Database: Search and Retrieval of Digital Imagery, Edited by Bergman and Castelli, John Wiley & Sons, 2002.
[23]. A.Vailaya, A.T.Figueiredo, A.K.Jain and H.J.Zhang , “Content-based hierarchical classification of vacation images” , IEEE Int. Conf. on Multimedia Computing and Systems , ICMCS’99, Italy, pp. 518-523, 1999.
[24]. M.Szummer and R.W.Picard, “Indoor-outdoor image classification”, IEEE Int. Workshop on Content-Based Access of Image and Video Database, Bombay, 1998.
[25]. A.Vailaya, A.K.Jain and H.J.Zhang, “On image classification: city vs. landscape”, Pattern Recognition, vol. 31, pp. 1921-1935, 1998.
[26]. J.Z.Wang, J.Li and G.Wiederhold, “SIMPLIcity: semantic sensitive integrated matching for picture libraries”, IEEE Trans. on Pattern Analysis and Machine Intelligence, vol.23, no.9 , pp.947-963, 2001.
[27]. Q.Iqbal and J.K.Aggarwal, “Using structure in contentbased image retrieval”, IASTED Int. Conf. Signal and Image Processing, pp. 129-133, 1999.
[28]. A.Guerin-Dugue and A.Oliva, “Classification of scenephotographs from local orientations features”, Pattern Recognition Letters, vol. 21, pp. 1135-1140, 2000.
[29]. J.R.Smith and C.S.Li, “Image classification and querying using composite region templates”, Computer Vision and Image Understanding, vol.75, pp.165-174, 1999.
]30[. ح.نظام آبادی پور و س.سریزدی ، «نمایه سازی تصاویر رنگی در قلمرو JPEG » ، دهمین کنفرانس سالانه انجمن کامپیوتر ایران ، صفحات ۶۰۳ -610 ، بهمن 1383 .
[31]. H. Nezamabadi-pour and S. Saryazdi, “Object-based image indexing and retrieval in DCT domain using clustering techniques”, International Conference on Information Technology, ICIT2004, pp. 207-210, Istanbul, Turkey, 17-19 Dec. 2004.
]32[. ح.نظام آبادی پور و ا.کبیر «ترکیب ویژگیها با استفاده از آلگوریتم ژنتیک برای طبقه بندی معنایی تصاویر» ششمین کنفرانس سیستم های هوشمند ، کرمان ، صفحات 263-270 ، 1383 .
]33[. ن.مقدم ، ح.ربیعی و م. یاری پناه، «ارائه روشی جدید جهت کاهش ابعاد ویژگی بافت تصویر مبتنی بر الگوریتم ژنتیک» ، دهمین کنفرانس سالانه انجمن کامپیوتر ایران ، صفحات 203-210 ، 1383 .
[34]. H.Shao, J.W.Zhang, W.C.Cui and H.Zhao, “Automatic Feature weight assignment based on Genetic algorithm for image retrieval”, Proceedings of the IEEE International Conference on Robotics, Intelligent System and Signal Processing, pp. 731-735, 2003.
]35[. ح. نظام آبادی پور، «تصحیح خطای کوانتیزاسیون رنگ با استفاده از کنفرانس سیستم های هوشمند ، کرمان ، صفحات 271-278 ، 1383 .
]36[. ح. نظام آبادی پور و ا.کبیر «ارزیابی معیارهای عدم شباهت در طبقه بندی تصویر» نهمین کنفرانس سالانه انجمن کامپیوتر ایران ، دانشگاه صنعتی شریف ، صفحات 362-370 ، 1382 .
[37]. B.S.Manjunath and W.Y.Ma, “Texture feature for browsing and retrieval of image data”, IEEE PAMI, no. 18, vol. 8, pp. 837-842. 1996.
[38]. Y.Zhu, T.Tan and Y.Wang, “Font recognition based on global texture analysis”, IEEE Transaction on PAMI, vol. 23, no. 10, 2001.
[39]. A. Kumar and G.K.H.Pang, “Defect detection in texture materials using Gabor filters”, IEEE Transaction on Industry Applications, vol. 38, no. 2, 2002.
[40]. A.K.Jain and S.K.Bhattacharjee, “Address block location on envelopes using gabor filters”, Pattern Recognition, vol. 25, no. 12, pp. 1449-1477, 1992.
]41[. ف. میرزاپور و ح. قاسمیان ، «آشکارسازی بافت تصاویر ماهواره با استفاده از موجک های گابور» دومین کنفرانس ماشین بینایی و پردازش تصویر ایران ، جلد اول ، صفحات 140-145 ، 1381 .
[42]. D.E.Goldberg, “Genetic algorithms in search, optimization , and machine learning”, Addison-Wesley, 1989.
[43]. Y.Rubner, J.Puzicha, C.Tomasi and J.M.Buhmann , “Empirical evaluation of dissimilarity measures for color and texture”, Computer Vision and Image Understanding, vol. 84 , pp. 25-43, 2001.
