از نظر عملی مسئله خوشه یابی به عنوان یک هدف اولیه در بازشناسی الگو مطرح است و به علت کاربرد فراوان آن در زمینه هایی مثل داده کاوی، پردازش تصویر و ماشین بینایی توجه بسیاری از محققان را به خود جلب کرده است. تاکنون از روش های ابتکاری مختلفی به منظور خوشه یابی استفاده شده است. در اکثر روش های خوشه یابی، نیاز است تا تعداد خوشه ها از قبل توسط کاربر مشخص شود (خوشه یابی نظارت شده) که در اکثر موارد چنین اطلاعاتی در دسترس نیست و این به عنوان یکی از معایب اینگونه روش ها به حساب می آید البته الگوریتم های مختلفی برای رفع این مشکل ارائه شده است که از آن جمله می توان به dcpso، vliga، gcuk و mepso که مبتنی بر روش های هوش جمعی می باشد، اشاره کرد. در این تحقیق سعی شده است که یک روش خوشه یابی نظارت نشده به منظور خوشه یابی تصاویر با استفاده از الگوریتم بهبود یافته جستجوی گرانشی ارائه شود. در ابتدا الگوریتم جستجوی گرانشی که یک الگوریتم جدید در زمینه هوش جمعی است معرفی شده و پس از بهبود عملکرد آن، (با الهام از پدیده سیاهچاله ها در طبیعت) الگوریتم خوشه یابی مورد نظر ارائه می گردد. در پایان پس از بررسی عملکرد الگوریتم پیشنهادی بر روی تعدادی مجموعه داده آزمایشی، در دو کاربرد کوانتیزه سازی و ناحیه بندی تصویر مورد بررسی قرار می گیرد.

کوره های تابشی در بسیاری از صنایع از جمله صنایع تولید نیمه هادی ها، خشک کردن روکش ها و غیره مورد استفاده قرار می گیرند. در این مطالعه از یک روش بهینه سازی ترکیبی بنام الگوریتم بهینه سازی کلونی مورچه ها برای (1) تعیین تعداد و موقعیت بهینه گرمکن ها (با شار حرارتی یکسان) روی سطح گرمکن جهت برقراری توزیع شار حرارتی و دمای مطلوب روی سطح طراحی (2) تعیین موقعیت بهینه تعداد مشخصی گرمکن روی سطح گرمکن برای ایجاد پروفیل شار حرارتی مطلوب روی سطح طراحی، استفاده شده است. در طراحی کوره تابشی هدف کمینه کردن تابع هدفی است که بصورت مجموع مربعات تفاضل شار حرارتی محاسبه شده و شار حرارتی مطلوب روی سطح طراحی تعریف می شود. برای حل معادلات تابش در محیط شفاف از روش تابش خالص و در محیط نیمه شفاف از روش ناحیه بندی استفاده شده است. در این تحقیق برای کوره تابشی با هندسه نامنظم (کوره شش ضلعی) دارای محیط نیمه شفاف، از روش ناحیه بندی با شبکه بندی مثلثی استفاده شده است. این روش تا کنون برای هندسه های نامنظم استفاده نشده است. مزیت این روش نسبت به روش مونت کارلو، حجم محاسبات و زمان اجرای کمتر آن می باشد. توانایی حل های مستقیم، بهینه سازی ترکیبی و اثر پارامترهای مختلف روی حل بهینه با ارائه چند مساله نمونه مورد بحث و بررسی قرار گرفته است.

گسترش روزافزون استفاده از تلفن همراه، بهینه ساختن شبکه های مخابرات سیار را امری ضروری و اجتناب ناپذیر ساخته است. سیستم جهانی برای ارتباطات سیار (gsm) به عنوان یکی از پرکاربردترین شبکه های ارتباطی، از این امر مستثناء نیست. از طرفی محدودیت موجود در تعداد فرکانس های مفید در طیف فرکانسی که منبع موجود برای شبکه های gsm هستند؛ سبب شده تا ایده استفاده مجدد فرکانسی ارائه شود. با استفاده از این روش، می توان پاسخگوی حجم بالای تقاضا برای استفاده از این تکنولوژی بود اما استفاده از این روش، سبب بروز تداخل می شود. از بین بردن این تداخل، تقریبا امری غیرممکن است از این رو محققان زیادی سعی نموده اند با ارائه روش های گوناگونی به بهینه ساختن تخصیص فرکانسی و در نتیجه کمتر ساختن تداخل بپردازند. در این تحقیق سعی نموده ایم با استفاده از قوانین ریاضی حاکم بر مسئله و شبیه سازی شبکه gsm در چهار حالت مختلف برای نقشه شهری و نحوه چینش ترافیک، به تخصیص فرکانسی بهینه که کمترین تداخل ممکن را سبب شود، دست یابیم. نحوه پیاده سازی روش و الگوریتم بهینه سازی مورد استفاده در آن، هر دو برای اولین بار صورت گرفته اند. روش بهینه سازی مورد استفاده، الگوریتم جستجوی گرانشی (gsa) است که الگوریتمی ابتکاری، برگرفته از نیروی گرانش بین اجسام در فضاست. با توجه به ابعاد در نظر گرفته شده برای مسئله، روش ارائه شده نتایج خوبی را دربر داشته شده است.

تحقیقات در زمینه شناسایی و شبیه سازی ویژگی های صدای سه بعدی به منظور تبدیل هر صدای مونو (تک کاناله) به صدایی که روزمره از اطرافمان می شنویم، بیش از یک دهه است که در دنیا آغاز گردیده است. اولین گام ها در این زمینه با مدل سازی ریاضی و شبیه سازی تأثیر عوامل موثر بر صدا برداشته شد. در دهه 90 میلادی تلاش های گسترده ای در این زمینه انجام شد. نتیجه این تحقیقات مدل های متنوعی برای شبیه سازی هر کدام از عوامل مانند شانه های بدن، سر و لاله گوش می باشد. در اواسط دهه 90 ایده ی در نظر گرفتن تمامی عوامل موثر بر شنیدن صدا به عنوان یک فیلتر واحد عملی گردید. این ایده که تحت یک رساله دکتری انجام شد تحولی شگرف در زمینه تولید صدای سه بعدی ایجاد نمود. تحقیقات گسترده ای به تأسّی از تحقیق مورد نظر انجام شد که تمامی این تحقیقات در معرفی مجموعه ای از فیلترها به نام تابع تبدیل سر موثر بوده اند. در این پایان نامه با استفاده از فیلترهای تابع تبدیل سر عوامل موثر بر صدا شناسایی و شبیه سازی شده است. همچنین با استفاده از توابع تبدیل سر که از پایگاه داده معتبر به دست آمده، انواع صدای سه بعدی ایستا و متحرک تولید شده است. در انتها با استفاده از شبکه های عصبی مختلف شبکه هایی ایجاد شده اند که در مقابل کمی کاهش کیفیت قابلیت پوشش دادن به تمامی فضای اطراف سر را دارا هستند. از آنجا که این شبکه های عصبی بر اساس پردازش موازی عمل می کند و میان یاب های بسیار توانمندی هستند انتظار می رود عملکرد این نوع شبکه ها بسیار سریع تر از روش های موجود در تولید صدای سه بعدی باشد.

یکی از مهمترین موضوعات مورد بررسی در زیست شناسی و بیواینفورماتیک، مسئله مقایسه و تطبیق دنباله های زیستی است. مدل مخفی مارکوف یکی از الگوریتم های یادگیری ماشین می باشد که در زیست شناسی محاسباتی کاربرد فراوانی دارد. در این پایان نامه، ساختار مدل مخفی مارکوف و کاربرد آن در هم ترازی و خوشه بندی دنباله های زیستی مورد بررسی قرار گرفته است. از آنجایی که مدل مخفی مارکوف یک ابزار قوی برای یافتن شباهت بین داده های ترتیبی با طول های متغیر است، برای خوشه بندی دنباله ها، از آن استفاده شده است. در روش ارائه شده، هر دنباله زیستی بوسیله یک مدل مخفی مارکوف که با الگوریتم بهینه سازی گروه ذرات بهینه شده، مدل می شود. سپس با استفاده از پارامترهای بدست آمده، خوشه بندی بر مبنای یک تعریف جدید از ماتریس فاصله، انجام می شود. بهینه سازی پارامترهای مدل مخفی مارکوف با استفاده از الگوریتم جستجوی گرانشی نیز صورت گرفته است. در نهایت هم ترازی دنباله ها، با استفاده از روش خوشه بندی پیشنهادی و پروفایل مدل مخفی مارکوف، انجام می گیرد. آزمایش های انجام شده برروی دنباله های زیستی نظیر ژن ها نشان می دهد که الگوریتم پیشنهاد شده می تواند در انجام مقایسه بین دنباله های زیستی، بصورت بسیار کارامد و موثر، بکار گرفته شود.

مراحل حل مسائل مهندسی مختلف بر این اساس استوار است که همواره از یک مدلسازی از آنچه در واقعیت است، شروع شده و در مراحل بعد به یک مسئله بهینه سازی برخورد و نیاز به حل آن مسئله می باشد. در چند دهه قبل، روش های سنتی ریاضیات راه حل این مسئله بهینه سازی بودند و دانشمندان زیادی، روش های مختلفی را برای حل آن بیان کردند که بیشتر در علم محاسبات عددی می توان آن روشها را یافت. این روشها بسیار طولانی و دشوار و نیازمند دانستن پارامترهای بسیاری از شرایط اولیه مسئله مورد نظر بودند. استفاده از کامپیوتر برای حل این مسائل بسیاری از مشکلات را حل کرد اما با رشد مسائل و پیچیده شدن آنها دیگر روشهای ریاضی قادر به حل آنها نبوده و عملا این مسائل غیر قابل حل شدند. نمونه بسیار واضح از این مسئله را می توان در علم ژنتیک برای درمان سرطان مشاهده کرد که بررسی ژنوم انسان که هر ژن دارای بیلیاردها و چه بسا بیشتر حالت گوناگون وجود دارد و تشخیص یک ساختار از بیماری در بین آنها عملا با استفاده از روشهای قدیمی امکان پذیر نیست، چه بسا که روشهای جدید نیز تا حدی قادر به حل آنها می باشند و هنوز نیاز به کار و مطالعه توسط محققان دارند. در این پایان نامه به بررسی چندین روش برای حل مسائل بهینه سازی و یک روش جدید بهینه سازی پرداخته و عملکرد آنها بر روی یک سری داده های استاندارد با یکدیگر مقایسه شده است. یک مسئله مورد نظر در این پایان نامه بحث خوشه یابی داده (به ویژه تصاویر) می باشد. ضمن ارائه یک الگوریتم جدید بهینه سازی راهکاری تازه برای خوشه یابی داده ها با استفاده از این الگوریتم ارائه شده است. الگوریتم جدید از لحاظ تئوری بر روی توابع استاندارد بررسی شد و عملکرد بسیار مناسبی را از خود نشان داد. همچنین از لحاظ عملی در دو بخش داده و تصویر به منظور حل مسئله خوشه یابی به کار رفت، که نسبت به دیگر الگوریتم های مشابه دارای نتایج بسیار ارزنده ای است.

در طراحی یک سیستم تشخیص الگو پس از انجام مراحل مربوط به اخذ داده، عملیات پیش پردازش و استخراج ویژگی نوبت به استفاده از یک طبقه بندی کننده خواهد رسید که با استفاده از بردارهای ویژگی مرزهای تصمیم را یافته، فضای ویژگی را به نواحی مختلفی که هر یک از آن ها متعلق به یک کلاس خاص است تقسیم می کند. طبقه بندی کننده های متنوعی جهت استفاده در سیستم های بازشناسی الگو مطرح شده است. رویکردهای مبتنی بر هوش محاسباتی یکی از روش هایی هستند که امروزه به صورت گسترده به منظور طراحی بهینه طبقه بندی کننده ها مورد استفاده قرار می گیرند. در این پایان نامه دو نوع از طبقه بندی کننده ها توسط ابزارهای هوش محاسباتی طراحی و ارائه شده است. ابتدا با قدرت بهینه کنندگی الگوریتم هوش جمعی جستجوی گرانشی طبقه بندی کننده فازی بهینه طراحی گردیده است و سپس با توان جستجوی الگوریتم جستجوی گرانشی هوشمند اقدام به طراحی طبقه بندی کننده هوش جمعی گرانشی شده است. طبقه بندی کننده های هوش جمعی انواع جدیدی از طبقه بندی کننده ها هستند که با به کارگیری یکی از الگوریتم های هوش جمعی، مبادرت به یافتن ابر صفحه های جدا کننده کلاس های مختلف در فضای ویژگی می نمایند. اهمیت ویژه این طبقه بندی کننده ها در عدم وابستگی عملکرد آن ها به دانش قبلی در خصوص نحوه توزیع الگوها در فضای ویژگی است. همچنین طبقه بندی کننده های فازی به عنوان نمونه ای از سیستم های فازی، از کارآمدترین روش های طبقه بندی در علم بازشناسی الگو به شمار می روند. این طبقه بندی کننده ها از پارامترهای ساختاری متنوعی تشکیل شده اند که هر یک از آن ها به نوبه خود بر روی عملکرد آن ها تأثیر به سزایی دارد. نوع و مکان توابع عضویت و همچنین نوع قواعد فازی از نظر ترکیب مقدم ها و موخرها از مهم ترین این پارامترها به شمار می آیند. معمولاً چالش اصلی در طراحی و پیاده سازی چنین طبقه بندی کننده هایی انتخاب بهینه همین پارامترها به منظور دستیابی به بهترین عملکرد است. روش های پیشنهادی در مواجهه با مجموعه داده هایی با بردارهای ویژگی که از نظر تعداد، ابعاد و تداخل کلاس های مرجع از پیچیدگی قابل قبولی برخوردارند، به محک آزمایش سپرده شده است. نتایج مقایسه ای به دست آمده از این آزمایشات نشان می دهد که روش های ارائه شده از عملکرد بهتری نسبت به سایر روش های مشابه که مبتنی بر روش های ژنتیک و بهینه سازی گروه ذرات می باشند، برخوردار است.

در این گزارش ابتدا پس از بیان مفاهیم اولیه و تعریف مسئله ی فلورپلنینگ چندین روش حل این مسئله را به صورت مختصر بررسی کردیم و با مقایسه ی این روش ها، به مزایا و معایب آن ها پی بردیم. سپس روش پیشنهادی بر اساس نمایش فلورپلن با استفاده از tcg و بهینه سازی با استفاده از الگوریتم pso، با نام tcg-pso برای فلورپلنینگ بیان شد و نتایج حاصل از آن بر روی چند محک رایج در ادبیات فلورپلنینگ بررسی شد. همچنین این نتایج با نتایج چند روش مشهور فلورپلنینگ مقایسه شد. عملکرد روش پیشنهادی برای فلورپلنینگ مدارهای با تعداد ماژول کم قابل ملاحظه و برتر از بیشتر روش های موجود است اما با افزایش تعداد ماژول ها، از کارایی روش کاسته می شود. مشکل دیگر روش tcg-pso، توانایی پایین این روش در فلورپلنینگ با هدف بهینه سازی مجموع طول سیم های مدار است. با توجه به تمام مشکلات روش پیشنهادی، عملکرد آن به عنوان یک روش جدید که در ابتدای راه است خیلی خوب می باشد. پژوهش و تلاش بیشتر برای اصلاح این روش می تواند تأثیر زیادی در بهبود آن داشته باشد.

علم بازشناسی الگو گستره وسیعی از عملیات پردازش داده -از اخذ داده و استخراج ویژگی گرفته تا طراحی روشهای مختلف طبقه بندی و خوشه یابی- را در بر می گیرد. با توجه به اینکه، طبقه­بندی داده های آموزشی و ارزیابی آن در مواجهه با داده های آزمایشی، از اصلی­ترین شاخه های علم بازشناسی الگو می­باشد، طبقه­بندی کننده­های بسیاری معرفی و طراحی شده است. طبقه­بندی کننده­های فازی، از جمله این طبقه­بندی کننده­ها می­باشد، که عملکرد آن شدیدا وابسته به پارامترهای ساختاری­اش، نظیر شکل و مکان توابع عضویت، نوع و تعداد قواعد فازی و ...است. در گذشته از روش­های کلاسیک نظیر درخت تصمیم، تکنیک­های خوشه یابی برای یافتن مقدار مناسبی برای پارامترهای ساختاری استفاده می­شده است، اما اخیرا با گسترش استفاده از الگوریتم­های هوشمند در مسائل مختلف مهندسی، و کاربرد موفقیت آمیز این الگوریتم­ها در تعلیم پارامترهای ساختاری طبقه­بندی کننده­های فازی، استفاده از این الگوریتم­ها در این زمینه به یک محور اصلی پژوهشی در بازشناسی الگو تبدل شده است. تا کنون الگوریتم­های بسیاری نظیر ga، pso، gsa، aco و ... در روش­های گوناگون، برای طراحی یک طبقه­بندی کننده­ فازی بکار گرفته شده­است. در این پایان نامه یک روش جدید مبتنی بر الگوریتم بهینه­سازی نیروی مرکزی (cfo)، برای یافتن خودکار مقدار بهینه و موثر پارامترهای ساختاری طبقه­بندی کننده­های فازی، ارائه شده­است. در این راستا، پنج طبقه­بندی کننده فازی متفاوت، که در هر کدام یک سری از پارامترهای ساختاری به طور همزمان توسط الگوریتم بهینه­سازی نیروی مرکزی بهینه می­شود، شبیه­سازی و سپس بر چندین مجموعه داده مشهور در پردازش الگو، محک زده شد.نتایج حاصل، کارایی روش پیشنهادی در این تحقیق را تأیید می­کند.

امضا یکی از شاخص های تشخیص هویت و بازشناسی امضا یکی از مسایل مهم در تشخیص الگو است. علیرغم تحقیقات فراوانی که در زمینه بازشناسی امضا صورت گرفته است، تحقیقاتی که در زمینه تشخیص امضا بر روی چک های بانکی انجام شده است در جهان و ایران محدود است. چک های بانکی دارای قسمت های مختلف هستند و پس زمینه و نویز فراوانی دارند و نیز در بانک های ایران طرح چک ثابتی موجود نمی باشد و امضاهایی که بر روی برگه چک ثبت می شود از لحاظ مکان امضا تثبیت شده نیست. در این پایان نامه تایید و تشخیص امضا به صورت برون خط در چک های بانکی فارسی انجام شده است. دیتابیس بزرگی از امضاهای فارسی بر روی فرم های مخصوص با پس زمینه سفید و چک های طراحی شده جمع آوری شد. از آنجا که مراحل پیش پردازش و سپس استخراج ویژگی، مهم ترین مراحل در بازشناسی الگو به شمار می رود، در این پایان نامه بیشتر بر این دو مرحله تاکید شده است. با بررسی تحقیقات پیشین، ویژگی های ناحیه بندی، ثابت های گشتاور، تبدیل رادون، عدد اویلر، ویژگی های هندسی از تصاویر باینری و کنتراست glcm و همبستگی glcm از تصاویر خاکستری استخراج شد. برای مرحله طبقه بندی در سیستم تایید امضا از شبکه عصبی، support vector machine (svm)، dynamic time warping (dtw) و در سیستم بازشناسی طبقه بند naivebayes(nb) به کار رفته است. نتایج مربوط به این تحقیق برای بازشناسی و تایید امضای دست نویس بر روی چک های فارسی قابل قبول می باشد.

یکی از مهم ترین برنامه های مخابرات در راه پایداری خود ،کسب رضایتمندی مشترکین و ارائه خدمات بهتر است. بهینه سازی مستمرشبکه رادیویی به این هدف کمک فراوانی مینماید. در این پایان نامه اصول بهینه سازی شبکه رادیویی و انواع روش های آن توضیح داده شده است. درادامه چند مطالعه موردی واقعی جهت بهینه سازی سایت های شبکه انجام گردیده است. امیدوارم این پایان نامه کمک به درک بیشتر ما در راه بهینه سازی شبکه موبایل بنماید.

کاربرد روزافزون شبکه های عصبی پرسپترون چندلایه (mlp) در حلِّ مسائل مهندسی و سیستم های هوشمند، سبب گرایش محقّقین به سمت ابداع روش های آموزش و طرّاحی معماری کارامدتر شبکه های عصبی شده است. معماری شبکه ی عصبی شامل تعداد لایه های مخفی، تعداد نرون ها در لایه های مخفی و نوع تابع تحریک است و هر یک از این پارامترها بر روی عمل کرد شبکه ی عصبی تأثیر مستقیم و بسزایی دارد. از سوی دیگر، کارایی شبکه های عصبی به وزن های آن نیز وابسته است که این مطلب به نوبه ی خود اهمّیّت فرایند آموزش شبکه ی عصبی را آشکار می کند. تعیین دستی پارامترهای شبکه ی عصبی موجب سختی طرّاحی و هم چنین عدم اطمینان از عمل کرد بهینه ی آن می شود زیرا شبکه ی عصبی با اندازه ی خیلی کوچک بطور کامل قادر به یادگیری تمام داده های آموزشی نیست؛ هم چنین شبکه ی عصبی با اندازه ی خیلی بزرگ، جنبه های نامربوط داده های آموزشی را می آموزد بنابراین بیش برازندگی رخ می دهد. علاوه بر این،متداول ترین الگوریتم آموزشی شبکه های عصبی، پس انتشار خطا است که هم گرایی کند و توقّف در نقاط بهینه ی محلّی از نقطه ضعف های آن است. در این پایان نامه علاوه بر بهبود الگوریتم جست وجوی هماهنگی (hs) جهت جست وجوی قدرتمندتر در فضاهایی با ابعاد بسیار زیاد، برای طرّاحی معماری و آموزش هم زمان شبکه های عصبی چندلایه نیز از آن استفاده شده است. شبکه های عصبی طرّاحی شده با روش پیشنهادی به منظور طبقه بندی مجموعه ی داده های آماده به خدمت گرفته شده اند. نتایج آزمایش های متعدّد و وسیع، حاکی از آن است که روش پیشنهادی در طرّاحی بهینه و خودکار شبکه های عصبی - هم از نظر آموزش و هم از نظر معماری- عمل کرد مطلوبی دارد.

انتخاب ویژگی یکی از مراحل مهم و اساسی در زمینه ی بازشناسی الگو، یادگیری ماشین و داده کاوی می باشد. هدف از انتخاب ویژگی، انتخاب بهینه ترین زیرمجموعه ویژگی از کل فضای ویژگی های اصلی مسئله مورد نظر است، به طوری که ضمن کاهش ابعاد می توان به دقت طبقه بندی مطلوبی دست یافت. در این پایان نامه فرآیند انتخاب ویژگی به صورت جستجوی سراسری در فضای کل ویژگی ها و با استفاده از رویکرد wrapper می باشد و از نسخه دودویی الگوریتم جستجوی هارمونی به عنوان الگوریتم هوشمند به منظور انتخاب زیرمجموعه ویژگی بهینه، و از رویکرد جدیدی مبتنی بر روش«یک در مقابل همه» برای ارزیابی زیرمجموعه ویژگی های انتخاب شده، استفاده شده است. همچنین برای انتخاب زیرمجموعه ی بهینه از الگوریتم بهینه سازی سیستم صفحات شیبدار نیز استفاده شده است. عملکرد روش های پیشنهادی بر روی تعدادی مجموعه داده که همگی از مجموعه داده های uci می باشند مورد ارزیابی قرارگرفته است. آزمایشات متعدد و متنوع صورت گرفته بر روی مجموعه داده های مورد نظر، برتری روش های پیشنهادی را در مقایسه با روش های مشابه نشان می دهد.

علم بازشناسی الگو دربردارنده راهکارهای مختلف جهت اعطای قوه تشخیص به یک سیستم است. تشخیص خودکار اهداف هوایی، تشخیص پلاک خودرو، تشخیص نواحی آسیب دیده بدن و شناسایی گفتار از جمله کاربردهای بازشناسی الگو می باشد. یادگیری ماشین نیز به عنوان یکی از شاخه های وسیع و پرکاربرد هوش مصنوعی به تنظیم و اکتشاف شیوه ها و الگوریتم هایی می پردازد که براساس ان رایانه ها و سامانه-ها توانایی یادگیری پیدا می کنند. از جمله کاربردهای یادگیری ماشین می توان به کنترل روبات، تشخیص متن، بیوانفورماتیک و غیره اشاره کرد. همچنین بسیاری از شرکت ها و موسسات دارای حجم انبوهی از اطلاعات هستند، تکنیک های داده کاوی به گونه ای گسترش یافته اند که به سادگی می توان آن را با نرم افزارهای امروزی تطبیق و از اطلاعات جمع آوری شده بهترین بهره را برد. داده کاوی منحصر به گردآوری و مدیریت اطلاعات نیست و تجزیه و تحلیل اطلاعات و پیش بینی را نیز شامل می شود. از داده کاوی به عنوان ابزاری برای کشف جرایم، ارزیابی میزان ریسک و فروش محصولات و غیره استفاده می شود. طبقه بندی یکی از مراحل مهم و حیاتی در زمینه بازشناسی الگو، یادگیری ماشین و داده کاوی می باشد. هدف از طبقه بندی تخصیص اشیاء به یکی از چندین دسته از پیش تعریف شده می باشد. از نقطه نظر ریاضی، آن به عنوان یک نگاشت از فضای ویژگی ورودی به یک مجموعه از برچسب ها تعریف شده است. تحقیقات زیادی در زمینه طبقه بندی الگوهای ناشناس صورت گرفته است که هر یک از آن ها سعی در بهبود و بهینه کردن این مسئله دارند. با این حال مسئله طبقه بندی هنوز یکی از موضوعات مورد علاقه محققین می باشد. در مواردی که حجم اطلاعات و ابعاد مسئله مورد نظر افزایش می یابد بحث طبقه بندی از اهمیت فوق العاده ای برخوردار است. این فصل با مقدمه ای از سیستم های بازشناسی الگو شروع می شود سپس یادگیری ماشین، داده کاوی و طراحی یک سیستم بازشناسی الگو تشریح می شود در نهایت بازبینی کارهای گذشته و چالش ها و حفره ها و سئوالات و اهداف پژوهش بیان می شود.

در این پایان نامه به مقدماتی در مورد لزوم استفاده از الگوریتم های فراابتکاری پرداخته می شود. سپس با بررسی کلی اکثر الگوریتم های فراابتکاری و ذکر نام و مشخصات انها پرداخته می شود. سپس به بیان رویکرد پیشنهادی پرداخته می شود و الگوریتم مورد نظر بیان می گردد. در اخر نیز با استفاده از روشی مناسب این الگوریتم مورد چالش قرار می گیرد

آخرین مرحله در یگ فرایند بازشناسی الگو طبقه بندی است که توسط طبقه بند های مختلفی می تواند انجام شود. طبقه بند ماشین بردار پشتیبان، طبقه بند قدرتمندی است که عملکرد آن به مقدار پارامترهای مختلفی بستگی دارد. مقداردهی مناسب به این پارامترها می تواند با استفاده از یک الگوریتم ابتکاری صورت بگیرد.

بازشناسی الگو یا طبقه بندی الگو فرآیندی است که طی آن یک الگوی ناشناخته با توجه به ویژگی های آن در کلاس یا طبقه ی صحیح جای می گیرد.یکی از راه های بهبود نتایج طبقه بندی ، استفاده از چند طبقه بند و ترکیب نتایج آنها است. در موفقیت یا عدم موفقیت یک شورای طبقه بندی عوامل بسیار زیادی دخیل هستند . . برای پیدا کردن مقادیر بهینه هر یک از این عوامل می توان از الگوریتم های ابتکاری کمک گرفت.در این پایان نامه چند شورای طبقه بندی معرفی شده است و هریک از این شورا ها با الگوریتم های بهینه سازی بهینه شده اند. شوراهای معرفی شده در این رساله با الگوریتم های ابتکاری از نظر خطا ، اندازه ی شورا ، خطا و اندازه ی شورا به صورت هم زمان، بهینه شده اند.