منابع پایان نامه ارشد با موضوع هوش مصنوعی، بهینه سازی، الگوریتم بهینه سازی، توده ذرّات

دانلود پایان نامه ارشد

همسایگی حلقه ای را نشان می دهد. فرض کنیم هر ذرّه با یک علامت مشخص شود که برای ساختار همسایگی استفاده شده است. سپس یک ذرّه K دارای دو همسایۀ K-1 و K+1 می باشد لذا یک کشش متقابل بین دو ذرّۀ متوالی وجود دارد. این نوع همسایگی سرعت همگرایی را آهسته تر می کند اما فضای جستجوی بزرگتری نسبت به همسایگی ستاره ای دارد.
شکل (c) همسایگی چرخشی را نشان می دهد. در این همسایگی یک ذرّه با بقیه ذرّات گروه در ارتباط می باشد، و از طریق این ارتباطات تمام اطلاعات در اختیار ذرّات قرار می گیرد. این ذرّه با مقایسۀ عملکرد تمام ذرّات موقعیّت خود را به سمت بهترین عملکرد ذرّات تنظیم می کند و سپس موقعیّت جدید را به تمام ذرّات اطلاع می دهد.
شکل (d) همسایگی چهاردسته ای یا چهارخوشه ای را نشان می دهد.که در این ساختار ازطریق دو لبۀ بین همسایگی های خوشه و یک لبه بین خوشه های مخالف با هم در ارتباط می باشند.
بررسی مشکلات الگوریتم بهینه سازی توده ذرّات
الگوریتم بهینه سازی ازدحام ذرّات دارای چندین نقطه ضعف می باشد. در این الگوریتم، احتمال قرار گرفتن ذرّات در بهینۀ محلّی وجود دارد. هر چند که PSO نسبت به کلیه الگوریتم های تکاملی دارای سرعت بالاتری است اما معمولاً نمی تواند کیفیت رسیدن به راه حل را با افزایش تکرارها جبران کند. یکی از دلایل این است که در این الگوریتم ذرّات به یک نقطۀ خاص که بین بهترین موقعیّت عمومی و بهترین موقعیّت شخصی قرار دارد همگرا می شوند. برای برطرف کردن این نقطه ضعف تغییرات زیادی در PSO اعمال شد . یکی از این تغییرات وزن اینرسی (W) می باشد. عبارت وزن اینرسی اولین بار توسط شای و ابرهارت در سال 1998 معرفی گردید. این وضع در واقع درصدی از سرعت قبلی ذرّه را در محاسبۀ سرعت جدید تأثیر می دهد. هرچه این مقدار بیشتر باشد جستجوی عمومی افزایش می یابد و هرچه این وزن کمتر باشد میزان جستجوی محلّی افزایش می یابد.
نقطه ضعف دیگر، وابستگی این روش به مسأله می باشد. این وابستگی باعث می شود پارامتر ها و ضرایب بهینۀ الگوریتم برای مسائل مختلف متفاوت باشند و در کل نمی توان یک پارامتر را برای کلیۀ مسائل بکاربرد.
یکی دیگر از عیب های عمدۀ الگوریتم این است که هر ذرّه به تنهایی یک بردار n بعدی را نمایش می دهد که معرّف یک پاسخ یا راه حل برای مسأله می باشد. گاهی امکان دارد که قسمت هایی از این بردار به پاسخ صحیح نزدیک باشند در حالیکه قسمتهای دیگر بردار از پاسخ صحیح دور باشند. بنابراین در کل، این ذرّه مناسب به نظر نمی رسد و باید به موقعیّت بهتری برود. امکان دارد که آن قسمت هایی از بردار ذرّه که به جواب نزدیک بوده اند در طی به روز نمودن موقعیّت ذرّه جدید ، از پاسخ جدید فاصله بگیرند. بنابراین اطلاعات مفید از بین می رود. یکی از نمونه الگوریتم هایی که سعی در برطرف کردن این مشکل نموده است، الگوریتمCPSO36، نام دارد.
معادلات توصیف کنندۀ رفتار ذرّات
(3-3) 〖Vij〗_((t+1)=W.Vij(t)+r_1 c_1 (P_ij (t)-X_ij (t))+r_2 c_2 (g_i (t)-X_ij (t)))
(3-4) X_(ij(t+1)=X_ij (t)+V_ij (t+1))
سمت راست معادلۀ (3-3) که از سه قسمت تشکیل شده است، قسمت اول، سرعت فعلی ذرّه می باشد، قسمت دوم، برای تغییر سرعت و چرخش ذرّه به طرف بهترین تجربۀ شخصی می باشد و قسمت سوم نیز باعث تغییر سرعت و چرخش ذره به طرف بهترین تجربۀ گروهی می باشد. در واقع حرکت بهینه سازی گروه ذرّات بدون قسمت اول معادلۀ (3-3) فرآیندی خواهد بود کی طی آن فضای جستجو به تدریج کوچک می شود و جستجوی محلّی حول بهترین ذرّه شکل می گیرد، اما در مقابل قسمت اول معادلۀ (3-3) باعث حرکت ذرّات در مسیر عادّی خود خواهد بود تا به دیوارۀ محدودۀ جستجو برسد و به نوعی جستجوی سراسری انجام دهد.
پارامترهای الگوریتم بهینه سازی توده ذرّات
اندازۀ گروه
هرگاه تعداد ذرّات زیاد باشد و ذرّات در فضای جستجو بطور یکنواخت توزیع شده باشند، تنوّع در بین ذرّات زیاد شده و الگوریتم راندمان بالاتری می یابد. البته باید توجه شود که تعداد زیاد ذرّات در پیچیدگی الگوریتم ارتباط مستقیم دارد. هرچه نسبت به زمانی که تعداد ذرّات کم است، تعداد تکرارهای الگوریتم کمتر و زمان رسیدن به جواب بهینه کمتر است. مقدار مناسب ذرّات به مسأله بستگی دارد، در پژوهش ها معمولاً تعداد ذرّات در بازۀ [20-60] در نظر می گیرند.
تعداد تکرار
تعداد تکرار برای بدست آوردن یک نتیجۀ خوب وابسته به مسأله است. تعداد بیش از حد کم ممکن است فرآیند جستجو قبل از یافتن جواب بهینه را متوقّف کند، در حالی که تکرار بیش از حد زیاد باشد منجر به پیچیدگی محاسبات شده و زمان بیشتری مورد نیاز است.
اندازۀ همسایگی
اندازۀ همسایگی تأثیر زیادی در تعامل بین ذرّات دارد. اندازۀ همسایگی کم، تعامل بین ذرّات را کاهش داده و سرعت همگرایی در این روش کم است و امکان قرار گرفتن ذرّه در بهینۀ محلّی را کاهش می دهد. جهت استفاده از فواید همسایگی بزرگ و کوچک ، در ابتدا اندازۀ همسایگی را کوچک و سپس بزرگ در نظر گرفته می شود.
ضرایب مؤلفه های شناختی و اجتماعی
c_1 و c_2 به ترتیب ضریب یادگیری فردی و اجتماعی نامیده می شوند که نشان دهندۀ میزان اهمیّت و ارجحیّت بهترین نقاط پیدا شده توسط خود ذرّه و جمع ذرّات می باشد. اگرc_1=c_2=0 باشد ذرّات فقط با سرعت خاصی بدون هدف در فضا حرکت می کنند و به حرکت خود ادامه می دهند تا به مرز فضای جستجو برسند. اگرc_1 > 0 و c_2=0 باشد ، ذرّات فقط به تجربۀ شخصی خود توجه می کنند واگر بالعکس آن باشد ، ذرّات فقط به بهترین فرد گروه توجه می کنند. معمولاً در بسیاری از الگوریتم ها c_1 و c_2 را ثابت در نظر می گیرند. .”کندی وابرهارت ،1995″
ماکزیمم سرعت
نحوۀ جستجوی عمومی و جستجوی محلّی
جدول ‏32. پارامتر های الگوریتم بهینه سازی توده ذرّات
پارامتر
تعریف
V_ij
سرعت جدید هر ذره
X_ij
موقعیت جدید هر ذره
W
ضریب اینرسی
P_ij
بهترین خاطره شخصی
g_i
بهترین خاطره جمعی
r_1,2
اعداد تصادفی بین صفر و یک
c_1
ضریب یادگیری شخصی
c_2
ضریب یادگیری جمعی

مراحل الگوریتم ازدحام ذرات
ایجاد جمعیت اولیه و ارزیابی آن
تعیین بهترین خاطره های شخصی و بهترین خاطره های جمعی
بروز رسانی سرعت و موقعیت جدید
در صورت برآورده نشدن شرایط توقف به مرحلۀ دوم می رویم
پایان
شبکه های هوش مصنوعی (ANN)
مقدمه
شبكه عصبي مصنوعي يا به اختصار شبكه عصبي، يك ابزار محاسباتي الهام گرفته از مغز انسان است. مغز انسان با وزني حدود 1400 گرم يكي از شگفت انگيزترين ساخت هايي است كه در نظام خلقت با آن روبرو هستيم. اين سيستم فوق پيشرفته توانايي آن را دارد كه نظامهاي مختلف درون ارگانيزمي را به كار اندازد، موجب حركت ارگانيزم گردد، اطلاعات دريافتي را تعبير و تفسير كند و مجموع اطلاعات مورد نياز را به طوري كه سريعاً قابل دسترس باشند، ذخيره كرده و امكان حل مساله را فراهم آورد. افزون بر اين انسان مي تواند ازطريق گفتگو با ديگران، تعامل و ارائه راه حلهاي مناسب، مشكلات را رفع كند. تبيين چگونگي كنش پيچيده مغز يكي از مسائل عمدهاي است كه امروزه علم با آن روبرو است. اگر چه در سالهاي اخير با توجه به همسويي تحقيقات تجربي و نظري پيشرفتهاي خوبي در زمينه شناخت چگونگي كنش مغز به دست آمده، ولي هنوز براي شناخت كامل چگونگي كارمغز راه درازي در پيش است.
مغز انسان تقريباً از 431 ميليارد سلول عصبي )نرون( تشكيل شده كه اكثر آنها در پردازش اطلاعات مشاركت دارند. با توجه به اينكه هر سلول عصبي تا 42 هزار درونشد از سلولهاي ديگر دريافت مي كند، آگاهي از چگونگي كنش اين ساخت پيچيده به سادگي امكان پذير نيست و به همين جهت تاكنون اطلاعات محدودي در زمينه كنش اين ساخت عظيم به دست آمده است.
معمولاً سلولهاي عصبي با سلولهاي نزديك خود ارتباط برقرار مي كنند و در نتيجه به صورت مجتمع سلولي در مي آيند. با اينكه مغز افراد در اندازه و شكل مانند چهره آنان متفاوت است، ولي مغز همه انسانها ساخت يكساني دارد “خداپناهي، “1382
تمامی افراد بشر از هوش بهره مندند و برای حل مسایل آن را به کار می گیرند. اگر این هوش با امکانات دانش و تعقل نیز پشتیبانی شود به یک سیستم هوشمند مصنوعی به مثابه یک سیستم در پایگاه داده ها جای گیرد از سیستم هوش مصنوعی37 (AI) برخوردار می شویم.نخستین جرقه های هوش مصنوعی به سال های بعد از جنگ جهانی دوم باز می گردد، زمانی که آلن تورینک38 در سال 1950 آزمایشی مبنی بر این که آیا ماشین قادر است با فرآیندهای مغز انسان رقابت کند، انجام داد. در سال 1960 با ساخت اولین روبات ها و استفاده از زبان برنامه نویسی در اروپا و آمریکا، تحقیقات در زمینه هوش مصنوعی به جنبه های انسانی نزدیک تر شد. به زبان ساده هوش مصنوعی، دانش ساختن ماشین ها یا برنامه های هوشمند است. هوش مصنوعی شاخه ای از علم کامپیوتر است و تلفیقی از سه فناوری و گرایش مطرح یعنی: شبکۀ عصبی، نظریه فازی و الگوریتم ژنتیک بوده است.
شبکه عصبی مصنوعی
شبکه عصبی مصنوعی، سیستم های دینامیکی هستند که با پردازش روی داده های تجربی، دانش یا قانون نهفته در ورای داده ها را به ساختار شبکه منتقل می کنند. این سیستم براساس محاسبات روی داده های عددی یا مثال ها، قوانین کلی را فرا می گیرند. بنابراین سیستم های هوشمندی هستند. دیدگاه شبکه های عصبی در دهۀ 40 قرن بیستم، یعنی زمانی که وارن مک کلوث روانپزشک و پیتر39 ریاضیدان نشان دادند که شبکه های عصبی می توانند هر تابع حسابی و منطقی را محاسبه کنند، آغاز شد. نخستین کاربرد عملی شبکه های عصبی در اواخر دهۀ 50 با معرفی شبکه پرسپترون40 توسط روزنبلات41 مطرح شد که قادر بود الگوها را شناسایی نماید.
شبکۀ MLP42
انواع مختلفي از شبكه هاي عصبي مانند پرسپترون، همينگ، هاپفيلد و غيره وجود دارد که در این تحقیق از شبکۀ MLP استفاده شده است ، در ادامه بیشتر توضیح داده می شود.
شبکه های پرسپترون چند لایه
به طور كلي شبكه هاي پرسپترون چند لايه شامل چندين پرسپترون ساده هستند كه به طور ساختار سلسله مراتبي، يك شكل پيش خورد با يك يا چند لايه مياني )پنهان ( بين لايه هاي ورودي و خروجي را شكل مي دهد.
هر لايه مي تواند از تعدادي نرونهاي مختلف با توابع تبديل متفاوت برخوردار باشد. يعني مدلهاي نرونها در لايه ها مي توانند متفاوت در نظر گرفته شوند. در شبكه MLP دو نوع سيگنال عموماً استفاده مي شوند كه بهتر است از هم تميز داده شوند . يك نوع سيگنال هايي هستند كه در مسير رفت، حركت مي كنند )از چپ به راست ( و دسته ديگر سيگنال هايي هستند كه در مسير برگشت )از سمت راست به چپ( حركت مي كنند. به دسته اول، سيگنالهاي تابعي43 و به دسته دوم، سيگنالهاي خطا44 گويند. دليل اين نامگذاري اين است كه سيگنالهاي دسته نخست، بر اساس تابعي از وروديهاي هر نرون و پارامترهاي شبكه متناظر با آن محاسبه مي شوند و سيگنالهاي دسته دوم، به خاطر منشعب شدن از سيگنال خطا و توزيع برگشت از لايه خروجي به لايه هاي ديگر شبكه، به سيگنال خطا موسومند و خلاصه اين كه سيگنال تابعي، در مسير رفت در شبكه از لايه اي به لايه ديگر توزيع مي شود و سيگنالهاي خطا در مسير برگ

پایان نامه
Previous Entries منابع پایان نامه ارشد با موضوع شبکه های عصبی، پیش بینی تقاضا، شبکه های عصبی مصنوعی، تقاضای انرژی Next Entries پایان نامه با کلید واژه های بازی رایانه ای، بازی های رایانه ای، میزان استفاده، همبستگی پیرسون