برهم کنش ضعیف بین مولکول ها و اتم ها نقش مهمی را در پدیده های فیزیکی و شیمیایی ایفا می کند. امروزه با گسترش کامپیوترها، امکان محاسبه پتانسیل های بین مولکولی دقیق از محاسبات ساختار الکترونی آغازین امکان پذیر است. در این کار تحقیقاتی از نظریه اختلال تعدیل یافته تقارنی ( sapt ) برای محاسبه انرژی های برهم کنش بین دو مونومر n2 و he استفاده می شود و محاسبات با استفاده از نرم افزار sapt2008 انجام می شود. همه ی داده ها توسط روش عصبی -فازی برازش شده است. مدلی برای سطح انرژی پتانسیل n2-he ارائه و مقادیر پارامترهای عمق چاه پتانسیل( ? )، فاصله ای که در آن پتانسیل برهم کنش ناپدید می شود( ( ? و موقعیت چاه پتانسیل( rm ) محاسبه شده است. نتایج به دست آمده برای دیمر n2-he با سطوح تجربی (esmsv, m3sv) و نیمه تجربی (btt, hfd1m) مقایسه شده است. نتایج محاسبات در توافق خوبی با این سطوح می باشند.

آلیاژهای پایه آهنی یکی از اجزا اصلی کامپوزیت های مغناطیسی نرم می باشند. این کامپوزیت ها برای تولید موادی با خواص مغناطیسی خوب (نفوذپذیری و مغناطیس اشباع خوب) و مقاومت الکتریکی بالا توسعه یافته اند. امروزه ازتکنیک آلیاژسازی مکانیکی به صورت گسترده برای تولید آلیاژهای مغناطیسی نرم نانوساختار که یک گروه جدید از مواد مهندسی با ویژگی های ارتقاء یافته هستند استفاده می شود. از شبکه عصبی مصنوعی برای یافتن شرایط بهینه برای تولید پودرهای مغناطیسی نرم نانوساختار استفاده شد. در این تحقیق از شبکه عصبی مصنوعی پس انتشار برای مدل سازی تأثیرات پارامترهای مختلف آلیاژسازی مکانیکی(زمان آسیاب کاری و ترکیب شیمیایی) برروی مشخصات ساختاری وخواص مغناطیسی آلیاژ نانوساختارfe70-xcuxco30 (x=0, 3, 6, 10) استفاده شده است. مجموعه داده ها از نتایج تحقیقات انجام شده قبلی در مقاله ها جمع آوری شده است. اندازه دانه، کرنش شبکه کریستالی، نیروی مغناطیس زدا و مغناطیس اشباع به عنوان خروجی برای چهار مدل شبکه پس انتشار در نظر گرفته شده است. نتایج به دست آمده به طور واضح کارایی شبکه های طراحی شده به منظور پیش بینی ویژگی های آلیاژ fe70-xcuxco30 را نشان می دهد. بر اساس قابلیت های پیش بینی مدلهای طراحی شده آنها می توانند به طور موثر در شرایط مشابه نیز استفاده گردند.

برای بدست آوردن نمایش تحلیلی از سطح انرژی پتانسیل، انرژی های بر هم کنش در 714 نقطه با مدل فازی و مدل برنامه ژنتیک برازش شدند. مدل فازی با اشتراک دو روش, الگوریتم ژنتیک با اهداف چندگانه(moga) و سیستم های تطبیقی عصبی-فازی (anfis) بهینه و ایجاد شد. مدل فازی بدست آمده از ضریب هم بستگی خوبی برخودار است(99998/0). از مدل های ایجاد شده برای محاسبه ضریب دوم ویریال استفاده شد.

درخت تصمیم فازی، دسته بندی است که درخت تصمیم و مجموعه های فازی را به گونه ای باهم ترکیب کرده است که بتواند عدم قطعیت های ناشی از اندازه گیری و عدم قطعیت های زبانی را مدیریت کند. در این پایان نامه معیارهای توقف و روش های ساخت توابع عضویت فازی برای درخت تصمیم فازی، به طور مستقل مورد بررسی قرار گرفته اند. در بخش اول، الگوریتم جدیدی به نام idfid3، برای ساخت درخت تصمیم فازی با استفاده از یک معیار توقف، به همراه یک معیار توقف جدید به نام nmgni ارائه شده است. همچنین با استفاده از الگوریتم idfid3 روشی برای مقایسه معیارهای توقف ارائه شده است که دقت و پیچیدگی درخت های تولید شده با استفاده از آن ها را، مستقل از مقدار آستانه تعریف شده بر روی آن ها مقایسه می کند. نتایج به دست آمده از شبیه سازی ها نشان می دهد که معیار توقف nmgni بهتر از معیارهای توقف دیگر عمل کرده و استفاده از آن باعث ساخته شدن درخت های ساده تر و دقیق تری می شود. در ادامه بخش اول معیاری به نام gcc، برای اندازه گیری توانایی هر معیار توقف در کنترل رشد درخت تصمیم فازی معرفی شده است. نتایج به دست آمده از شبیه سازی ها نشان می دهد که معیار توقف «تعداد نمونه های گره» بیشترین توانایی در کنترل رشد درخت را دارد. در بخش دوم پایان نامه، از روش های گسسته سازی برای تولید توابع عضویت فازی استفاده شده است. به این صورت که ابتدا گسسته ساز، دامنه تغییرات ویژگی را به ناحیه های کوچک تر افراز می کند، سپس این ناحیه ها با چهار الگوریتم پیشنهادی که مبتنی بر طول ناحیه، مبتنی بر انحراف معیار، مبتنی بر نرخ پوشش ناحیه همسایه و مبتنی بر نرخ پوشش ناحیه می باشند به توابع عضویت تبدیل می شوند. علاوه بر این، گسسته ساز مبتنی بر آنتروپی نیز به گونه ای تغییر داده شده است که مستقیماً توابع عضویت فازی را تولید کند و در فرآیند تولید آن ها شکل و پارامترهای توابع عضویت را دخالت دهد. از نتایج به دست آمده از شبیه سازی ها، گسسته سازهای مناسب برای تولید توابع عضویت و همچنین الگوریتم های مناسب برای تبدیل ناحیه های تولید شده توسط گسسته ساز به توابع عضویت مشخص شده اند.

افزایش روز افزون اطلاعات در سراسر جهان از یک طرف و نیاز به سریعتر انجام شدن کارها از طرف دیگر منجر به ایجاد روش های نرم افزاری جهت کاهش پیچیدگی محاسباتی و زمانی در کنار پیشرفت های چشمگیر مولفه های سخت افزاری، شده است. یکی از این روش های نرم افزاری، انتخاب ویژگی است که به عنوان پیش پردازش در تمام تحقیقات قابل استفاده است. انتخاب ویژگی تکنیکی برای کاهش ابعاد (ستونی) مجموعه داده می باشد که کاربردهای فراوانی در داده کاوی، یادگیری ماشین و تشخیص الگو دارد. هدف این تکنیک، انتخاب زیر مجموعه ای از ویژگی ها است که حاوی اطلاعات بیشتری راجع به نتیجه دسته بندی باشد. در این پایان نامه به بررسی روش های مختلف انتخاب ویژگی بر پایه مجموعه های سخت و فازی پرداخته و ایده های نوینی در این زمینه ارائه می شود. بهبودهایی جهت افزایش کارایی الگوریتم کاهش سریع برای توقف پروسه انتخاب و همچنین انتخاب هوشیارانه در شرایط خاص ارائه شده است وترکیبی نوین از الگوریتم جهش قورباغه و انتخاب ویژگی سختِ فازی9 ارائه شده که نتایج نشان دهنده افزایش کارایی در انتخاب ویژگی ها می باشد.

در سال های اخیر، استفاده از دسته بندی توسط قوانین همبستگی بیشتر مورد توجه قرار گرفته است. تحقیقات نشان می دهند که استفاده از این روش عملکرد بهتری نسبت به سایر الگوریتم های دسته بندی دارد. در این پایان نامه، هدف از دسته بندی با استفاده از قوانین همبستگی تنها حل مسائل دسته بندی نبوده است، بلکه به دنبال راهی هستیم تا بتوانیم روش های مختلف استخراج قوانین همبستگی را مقایسه کنیم. هدف کلی از دسته بندی انجمنی، یافتن قوانین همبستگی است که بتواند کار دسته بندی را انجام دهد. این الگوریتم دارای سه مرحله اصلی است. ابتدا، قوانین با توجه به داده های آموزشی اکتشاف می شوند. روش جدیدی برای تولید قوانین مفید ارائه شده است که در این گزارش ذکر شده است. در قدم دوم، قوانین ایجاد شده، مرتب و هرس سازی می شوند که این امر توسط معیارهای سودمندی انجام می گیرد. در رابطه با این معیارها در پایان نامه بحث شده است. در فاز آخر، کار دسته بندی بر روی قوانین باقی مانده انجام می شود. در این گزارش چند الگوریتم دسته بندی انجمنی، معرفی شده اند و آن ها با روش پیشنهادی که msar نام دارد، مقایسه شده اند. در الگوریتم جدید، مقدار آستانه پشتیبانی در طول اجرای الگوریتم، به روز می شود. الگوریتم پیشنهادی بر روی داده های شناخته شده uci ، بررسی شده است تا کار دسته بندی آن باسایر الگوریتم ها مقایسه شود.

عملکردهای زیستی پروتئین ها به واکنش های شیمیایی آنها با محیط پیرامون و سایر پروتئین ها بستگی دارد. به عبارت دیگر، ساختار سه بعدی و نحوه تاخوردن اجزای پروتئین ها در فضا، چگونگی این تعاملات را تعیین می کند. تشخیص صحیح الگوی تاخوردگی پروتئین با استفاده از اطلاعات استخراج شده از توالی آن، یکی از مسائل پیچیده و بحث برانگیز در زمینه بیوانفورماتیک می باشد. در این پایان نامه، سه روش نوین مبتنی بر الگوریتم های یادگیری ماشین برای طبقه بندی پروتئین ها بر اساس الگوی تاخوردگی آنها، ارائه شده است. هر سه روش پیشنهادی بر روی یک پایگاه داده پروتئینی رایج و شناخته شده در این زمینه، مورد ارزیابی قرار گرفته اند. ایده اصلی روش پیشنهادی اول، ترکیب الگوریتم های یادگیری جمعی مبتـنی بر درخت های تصمیم گیری است. این روش شامل سه مرحله اصلی می باشد که با استفاده از طبقه بندهای adaboost.m1، random forest و rotation forest و سه روش ترکیبی متفاوت اجرا می گردند. دقت کل حاصل از طبقه بند نهایی این روش، نسبت به نتایج به دست آمده در پژوهش های پیشین که از پایگاه داده و مجموعه ویژگی های مشابه استفاده کرده اند، برتری دارد. روش پیشنهادی دوم بر مبنای ترکیب دو الگوریتم تکاملی برنامه نویسی ژنتیک (چند ژنی) و الگوریتم ژنتیک می باشد. این روش با تبدیل مسئله چند کلاسی تعیین الگوی تاخوردگی پروتئین به تعدادی مسئله دودویی کوچکتر، به حل آن می پردازد. طبقه بند نهایی به دست آمده در روش دوم، نسبت به روش پیشنهادی اول و سایر روش های مطرح شده در پژوهش های پیشین که از پایگاه داده مشابه استفاده کرده اند، به لحاظ دقت طبقه بندی برتری دارد. ایده روش پیشـنهادی سوم نیز طبقه بندی سلسله مراتبی پروتئین ها در دو سطح مجزا و با استفاده از ترکیب سه الگوریتم adaboost.m1، random forest و rotation forest می باشد. این الگوریتم سلسله مراتبی با کاهش ابعاد مسئله و تفکیک کلاس ها از هم، به دقت قابل قبولی برای شناسایی الگوی تاخوردگی پروتئین ها دست یافته است. هدف از هر سه الگوریتم پیشنهادی این پایان نامه ارائه روشی کارا و کم هزینه است که با دقت قابل قبولی به تعیین الگوی تاخوردگی پروتئین بپردازد.

تشخیص و انتخاب الگوهای مهم موجود در بانک های اطلاعاتی، یکی از مسائل مهم در علم داده کاوی می باشد. با توجه به افزایش روزافزون داده های پزشکی و حجیم شدن بانک های اطلاعاتی، استفاده از روش های هوشمند برای دستکاری و مدیریت آنها اجتناب ناپذیر است. پیدا کردن زیرمجموعه ای از ویژگی ها (ستون های داده ای موجود در مجموعه داده ها) از یک مجموعه بزرگ، مسأله ای است که در بسیاری از زمینه ها پیش می آید. از آنجایی که افزایش تعداد ویژگی ها هزینه محاسباتی یک سیستم را افزایش می دهد، طراحی و پیاده سازی سیستم ها با کمترین تعداد ویژگی ضروری به نظر می رسد. از طرف دیگر توجه به این موضوع بسیار مهم است که زیرمجموعه موثری از ویژگی ها انتخاب شود که کارآیی قابل قبولی برای سیستم ایجاد کند. کارهای اخیر نشان می دهند که انتخاب ویژگی، می تواند تاثیر مثبتی بر روی کارآیی الگوریتم های یادگیری ماشین داشته باشد. موفقیت بسیاری از الگوریتم های یادگیری در کوشش آنها برای ساخت مدلی از داده هاست که وابسته به شناسایی مطمئن مجموعه کوچکی از ویژگی های ورودی است. دارا بودن ویژگی های نامربوط و زائد در مرحله ساخت مدل می تواند به کارآیی ضعیف و محاسبات زیاد منجر شود. در این پایان نامه قصد داریم چهار روش ترکیبی جدید را برای شناسایی snpهای (single nucleotide polymorphism) کاندید ارائه دهیم. سه روش پیشنهادی اول دارای ساختار مشابهی بوده و از دو مرحله فیلتر و بسته بندی تشکیل شده اند. در این روش ها از الگوریتم فیلتر مبتنی بر همبستگی در مرحله اول و از سه الگوریتم k-نزدیک ترین همسایه، شبکه عصبی پیشخور و رگرسیون مرزبندی، در مرحله بسته بندی استفاده شده است. روش چهارم ساختار کاملا متفاوتی داشته و براساس رابطه بین معیارهای فیلتر و بسته بندی ارائه شده است. این روش از سه مرحله ایجاد بانک اطلاعاتی، آموزش شبکه عصبی و انتخاب snpهای کاندید تشکیل شده است. نتایج بدست آمده، نشان دهنده قدرت روش های ارائه شده در مقایسه با روش های قبل می باشد.

تکنیک های داده کاوی، استخراج الگو از بانک های اطلاعاتی بزرگ، در دنیای امروزی فراگیر شده است. با استفاده از این تکنیک ها قوانین بسیار زیاد و متفاوتی حاصل خواهد شد اما حداقل تا حدودی به دلیل محدودیت در بودجه و یا منابع، فقط تعداد اندکی از این قوانین ممکن است برای پیاده سازی و اجرایی شدن انتخاب شوند. لذا در داده کاوی ارزیابی و رتبه بندی میزان جذابیت یا مفید بودن قوانین استخراج شده بسیار اهمیت دارد. یکی از اهداف داده کاوی تولید قوانین جذاب با درنظر گرفتن تمام و یابرخی از نقطه نظرات متخصصان همان زمینه می باشد. لذا به منظور ارزیابی هر چه سودمندتر قوانین در هر حیطه ای می توان از دانش زمینه مورد نظر نیز به عنوان یک یا چند کمیت متفاوت در قالب یک مجموعه همکار استفاده کرد و سپس قوانین را ارزیابی کرد. نخست به معرفی داده کاوی و در بین تکنیکهای موجود داده کاوی به شرح روش های استخراج قوانین همبستگی خواهیم پرداخت و روش تحلیل پوششی داده ها را به عنوان یک ابزار کلیدی برای ارزیابی میزان کارامدی قوانین با توجه به چند معیار و ملاک متفاوت معرفی خواهیم کرد و با بهره از یک مدل تحلیل پوششی داده به ارزیابی قوانین خواهیم پرداخت تا مجموعه قوانین کارامد (قوی) معرفی گردند. برای تمایز بیشتر در بین مجموعه قوانین کارآمد معرفی شده، یک مدل خطی جدید ارائه می شود.

بررسی جایگاه عقل و احساس به عنوان مبنای اخلاق در آرای علامه طباطبایی از یک طرف منوط به واکاوی مفاهیم عقل و احساس است، و از طرف دیگر نیازمند به بازشناسی مبانی انسان شناسی وی می باشد. از این رو، موارد کاربرد عقل و احساس ؛ شناخت واقعیتِ انسان؛ یعنی، نفس، قوا، افعال، ماهیت ذهن و رابطه میان طبیعت عینی با مُدرَکات آدمی حایز اهمّیّت است. تفاوت میان مُدرَکات عقل عملی با مدرَکات عقل نظری مبحثی مهم در عرصه فلسفه ی اخلاق معاصر است، که مورد بررسی شارحان آثار علامه طباطبایی نیز قرار گرفته است. آراء و نظرات علاّمه بیشتر در کتاب های مختلف و به طور پراکنده آمده است. اکثر بحث ها پیرامون رابطه ی ارزش های اخلاقی با عالم واقع می باشد. مشهور مفسرین به دلیل هنجاری دانستن نظریه اعتباریات در اخلاق، کلی و دائمی بودنِ مفاهیم و اصول اخلاقی، تعقلی بودن اعمال و رابطه ی اخلاق با واقع را مردود دانسته اند. در این تحقیق ضمن بررسی و تبیین رابطه ی طبیعت انسان با قوای ادراکی؛ معانی واژه ها ی اخلاقی با تفکیک آن ها از بحث معیار ارزش اخلاقی به طور ماهوی مورد مطالعه قرارگرفته است. اعتباری دانستن مفاهیم اخلاقی با معیار خوب و بد یا باید و نباید خَلط شده است. در این پژوهش مشخص شده است، که موارد متعددی در آثار علامه طباطبایی خلاف دیدگاه مشهور را نشان می دهد. واژگان کلیدی: علامه طباطبایی، عقل، احساس، اعتباریات، اخلاق

در عصر جدید جوامع مختلف از جمله ایران با تحولات گسترده ای در حوزه های اقتصادی، سیاسی، اجتماعی و فرهنگی مواجه شده است که این دگرگونی ها، تفاوت هایی از نظر جهت گیری ارزشی، دانشی و رفتاری در بین نسل ها ایجاد کرده است. بر این اساس این پژوهش با استفاده از نظریه ارزشی شوارتز ( svs) و نظریه های اینگلهارت، مانهایم و آلپورت به بررسی تفاوت ساختار و محتوای ارزشی نسل ها و عوامل موثر بر آن پرداخته است. با استفاده از روش پیمایش و پرسشنامه استاندارد، از نمونه ی 405 نفری از شهروندان بالای 18 سال کرمان داده ها جمع آوری گردید. داده ها با دو روش آمار استنباطی و منطق فازی تحلیل گردید. از تحلیل فازی با هدف دست یابی به شناختی عمیق و استخراج قوانین دقیق برای درک الگوهای پنهان و پیچیده جامعه انسانی استفاده شد. یافته ها نشان می دهند که نسل سوم ( نسل جدید ) غیر از ارزش های جهان گرایی و قدرت ، در دیگر ارزش ها ، حداقل با یکی از نسل ها تفاوت دارند . با مقایسه جهت گیری ارزشی نسل ها نیز مشاهده می شود، ارزش های فرد گرایی جزء اولویت های بالای نسل سوم و ارزش های جمع گرایی و سنتی در اولویت های بالای نسل های قدیمی تر قرار دارند. با توجه به سه دیدگاه موجود مبنی بر وجود توافق ارزشی نسل ها، شکاف نسلی و یا تفاوت نسلی، می توان گفت که یافته های تحلیل فازی به دیدگاه تفاوت ارزشی نسل ها نزدیک است اما نقاطی را که در آنها، نسل های مختلف دارای توافق ، تفاوت و یا در معرض شکاف هستند را نشان می دهد از جمله نسل سومی هایی که در ارزش های فردگرایی، برانگیختگی و خوداتکایی و هویت مذهبی در معرض شکاف نسلی قرار دارند.

اخیراً سیستم دسته بند فازی مبتنی بر قانون به طور گسترده ای در مسائل دسته بندی مورد استفاده قرار گرفته است. به طور اساسی? طراحی این سیستم ها شامل پیدا کردن یک مجموعه فشرده از قوانین دسته بندی فازی اگر-آن گاه است که بتوانند رفتار ورودی- خروجی سیستم را مدل کنند. روش های زیادی برای تولید قوانین دسته بندی فازی ارائه شده است که عبارتند از: روش های شهودی? روش های بر مبنای خوشه بندی? روش های بر مبنای الگوریتم های ژنتیک? روش های عصبی- فازی و ... . در این پایان نامه? روش های شهودی و روش های بر مبنای خوشه بندی به طور مستقل مورد بررسی قرار گرفته اند. در قسمت اول از روش های پیشنهادی? الگوریتم جدیدی برای مدل کردن سیستم دسته بند فازی مبتنی بر قانون با دقت بالا پیشنهاد شده است. این الگوریتم جدید? ترکیبی از یک الگوریتم نگاشت داده های مبتنی بر منیفلد و یک الگوریتم شهودی استخراج قوانین است. همچنین برای افزایش دقت دسته بندی? یک روش تکاملی جدید برای وزن دهی قوانین ارائه شده است. در ادامه? تأثیر نُه تی- نرم مختلف در دقت دسته بندی مورد بررسی قرار گرفته است. در قسمت دوم? یک الگوریتم جدید مبتنی بر خوشه بندی برای استخراج قوانین دسته بندی فازی پیشنهاد شده است. این الگوریتم جدید? ترکیبی از یک الگوریتم نگاشت داده ها? الگوریتم خوشه بندی تفاضلی و یک الگوریتم بهینه گرادیان نزولی است. نتایج حاصل از انجام آزمایش بر روی 21 مجموعه داده محک (uci) نشان دهنده کارایی روش های پیشنهادی در مقایسه با بعضی تحقیقات قبلی از نظر دقت دسته بندی می باشد. نتایج به دست آمده توسط آزمون های غیرپارامتری آماری مورد تحلیل قرار گرفت و نتیجه این آزمون ها نیز کارایی روش های پیشنهادی را به صورت کلی (میانگین روی 21 مجموعه داده) تأیید می کند.

رمز، علم حفاظت اطلاعات محرمانه در هنگام ذخیره یا انتقال داده ها تحت شرایط ناامن می باشد. علم رمز از دو شاخه اساسی تشکیل شده است، در شاخه ایی که رمزنگاری نامیده می شود سعی برآن است که روش ها و الگوریتم های جدیدی برای به رمز درآوردن داده ها به وجود آید، در شاخه ای دیگر به تحلیل و بررسی الگوریتم های رمزنگاری پرداخته می شود تا نقاط ضعف الگوریتم های موجود شناسایی و برطرف شوند. در سال های اخیر با گسترش علم هوش مصنوعی و ظهور الگوریتم های هوشمند دوره ی جدیدی در تمام علوم آغاز شده است وکم کم الگوریتم های هوشمند در حال گسترش در تمام علوم می باشند. در این پایان نامه سعی شده است با استفاده از الگوریتم های هوشمند به تحلیل الگوریتم های رمزنگاری پرداخت شود. در ابتدا به تحلیل و بررسی روش های موجود برای تحلیل الگوریتم کلاسیک جانشینی پرداخته و در ادامه روش جدیدی برای ارزیابی در فرآیندهای تحلیلی ارائه شده که باعث افزایش کارایی در حد 70 درصد شده است و زمان تحلیل را به صورت چشم گیرکاهش داده است. همچنین در جهت افزایش کارایی از الگوریتم های چند هدفه استفاده به عمل آمده است . در ادامه الگوریتم های احتمالی مورد تحلیل و بررسی قرار گرفته اند، الگوریتم هایی که متن رمز ایجاد شده توسط آن ها به ازای یک متن اولیه واحد در اجراهای مختلف متفاوت می باشد. سپس به تحلیل یکی از الگوریتم های احتمالی نوظهور به نام mrvlk پرداخته شده و نقاط ضعف الگوریتم مذکور مورد تحلیل قرارگرفته اند. در این راستا و با توجه به اهمیت الگوریتم های احتمالی سعی شده است الگوریتمی جدیدی در این حوزه ارائه گردد که علاوه بر منطق احتمال، دارای قابلیت های خوبی از لحاظ امنیتی و سرعت می باشد .

مساله انتخاب ویژگی، یکی از مسائلی است که در مبحث یادگیری ماشین و همچنین شناسائی آماری الگو مطرح است. در بعضی از زمینه ها هزاران ویژگی برای اندازه گیری وجود دارندکه یا همه آن ها به خروجی مسئله مربوط نیستند و یا دارای افزونگی اند. این ویژگی ها گاهی باعث کاهش دقت روش های یادگیری نیز می شوند. علاوه بر این سروکار داشتن با تعداد زیادی ویژگی بسیار هزینه بر است، بنابراین شناسایی ویژگی هایی که وابستگی زیادی با خروجی دارند مهم است. انتخاب ویژگی، ویژگی هایی از مجموعه داده ها که برای پیشگویی خروجی موثرتر هستند را انتخاب می کند و مفهوم موجود در ویژگی ها را بعد از انتخاب ویژگی حفظ می کند و معمولأ زمانی استفاده می شود که مجموعه داده ها شامل تعداد زیادی ویژگی باشند، بطوریکه پردازش آن ها مشکل یا غیر ممکن باشد. تکنیک انتخاب ویژگی در مجموعه داده های کوچک و متوسط نیز بکار می رود تا ویژگی های غنی تر(دارای اطلاعات بیشتر) را برای استفاده های بعدی انتخاب کند. به وسیله حذف ویژگی های اضافی از مجموعه داده ها کارائی مدل های یادگیری به طور چشم گیری افزایش پیدا می-کند. هدف از انتخاب ویژگی پیدا کردن کوچک ترین زیرمجموعه از ویژگی های ورودی با بیشترین خاصیت پیش گویانگی است. مسأله انتخاب یک زیرمجموعه ی بهینه از یک مجموعه، دارای پیچیدگی زمانی نمایی است. روش های کلاسیک اکثراً در پیدا کردن راه حل های بهینه ناموفق هستند. از طرف دیگر، جستجوی کامل برای پیدا کردن راه حل های بهینه حتی در مجموعه داده-هایی که تعداد ویژگی ها زیاد نیستند، غیر ممکن است. برای حل این مشکل، ما در این پایان نامه از الگوریتم ژنتیک (جستجوی تصادفی) برای انتخاب ویژگی استفاده کرده ایم. یکی از روش های انتخاب ویژگی، رتبه بندی آنهاست، تا ویژگی هایی انتخاب شوند که دارای رتبه ی بالا هستند. در این پایان نامه ابتدا معیار جدیدی بر مبنای خوشه بندی* تفاضلی برای حل مسأله انتخاب ویژگی ارائه شده است. در ادامه با استفاده از این معیار و معیار وابستگی پیرسن روش های فیلتر و فراگیر جدیدی ارائه می شود. برای نشان دادن کارآمدی روش های پیشنهادی و مقایسه آن ها با روش های دیگر، در این پایان نامه چندین مجموعه داده انتخاب شده و روش های مذکور بر روی آن ها پیاده سازی شده اند. از نتایج بدست آمده از پیاده سازی روش های پیشنهادی و مقایسه این روش ها با چندین روش دیگر انتخاب ویژگی، به این نتیجه رسیدیم که روش های پیشنهاد شده کارائی خیلی بهتری از نظر تعداد ویژگی های انتخابی و دقت طبقه بندی دارند.

مسأله انتخاب ویژگی مجموعه های ناهموار فازی یک مسأله ی چند مدی است، که در آن دست یابی به دو هدف مد نظر است: اول انتخاب زیرمجموعه ای از ویژگی ها به طوری که کم ترین طول و بیش ترین تأثیر را در پیش بینی خروجی داشته باشد؛ دوم، به منظور پیدا کردن کوچکترین زیرمجموعه از ویژگی ها با حداکثر اطلاعات در مورد مجموعه داده. در حالت اول، سعی می شود زیرمجموعه ای از ویژگی ها انتخاب شود که دقت دسته بند را افزایش دهد. به همین دلیل ما ترجیح می دهیم زیرمجموعه ای از ویژگی ها را انتخاب کنیم که به طور عمومی خوب هستند، هرچند ممکن است برای یک دسته بند خاص خوب نباشند. در حالت دوم، به طور خاص بر افزایش دقت دسته بند تکیه نمی کنیم و افزایش درجه ی وابستگی مورد توجه می باشد. همچنین برخی ازمجموعه داده ها دارای چندین کاهش می نیمم می باشند که هر کدام از آن ها می تواند یک جواب بهینه باشد، ازاین رو می توان به مسأله ی انتخاب ویژگی، به عنوان یک مسأله ی چند مدی نگریست. در این پایان نامه، برای دست یابی به هر کدام از اهداف بالا، سه روش جدید انتخاب ویژگی ناهموار فازی بر اساس الگوریتم های جستجوی فرااکتشافی ارائه می شود. روش های ارائه شده علاوه بر دست یابی به کاهش های می نیمم با کیفیت بالا، این مزیت را بر روش های مشابه دارند که قادر به یافتن چندین کاهش می نیمم متمایز در مجموعه داده می باشند.

طبقه بندی عملی مهم در داده کاوی و کشف دانش از پایگاه داده است. در اغلب موارد، زمانی که تلاش می کنیم تا یک طبقه بند را از داده های آموزشی یاد بگیریم، داده های آموزشی توزیع کلاس نامتوازنی دارند. مسألهی طبقه‏بندی نامتوازنِ باینری بدین صورت تعریف می شود: یک مسأله ی طبقه‏بندی است که در آن تفاوت قابل توجهی میان میزان نمونه‏های دو کلاس‎ وجود دارد. اغلب الگوریتم های یادگیری ماشین فرض می کنند که تعداد نمونه های آموزشی در کلاس های متفاوت برابر می باشند و براین اساس، یک طبقه بند را یاد می گیرند؛ بنابراین زمانی که این الگوریتم ها را به داده های نامتوازن اعمال می کنیم، طبقه بند یادگرفته شده غالباً از کلاس اکثریت منتج می شود که این موضوع به پیش بینی بسیار ضعیف از کلاس اقلیت منجر می شود زیرا آموزش کلاس اقلیت به درستی انجام نشده است. بنابراین، کنترل و حل مسأله داده ی نامتوازن برای بهبود کارایی امری ضروری است. روش های بسیاری برای مسأله یادگیری نامتوازن پیشنهاد شده است که به دو دسته ی اصلی تقسیم می شوند: نمونه گیری از داده و اصلاح الگوریتم های موجود. در این کار تحقیقاتی، از تئوری فازی و الگوریتم های تکاملی استفاده می کنیم و با استفاده از این تکنیک ها، پنج الگوریتم برای مواجهه با مسائل نامتوازن پیشنهاد می دهیم. از میان روش های ارائه شده، روش های اول تا چهارم سعی در بهبود سیستم های طبقه بندی مبتنی برقوانین فازی دارند تا این طبقه بندها با مسائل نامتوازن سازگار شوند و روش پیشنهادی پنجم با استفاده از نمونه گیری از داده ها سبب متوازن شدن مجموعه داده می شود. نتایج حاصل از اعمال این روش ها نشان دهنده ی برتری آن ها نسبت به روش هایی است که اخیراً در این حوزه ارائه شده اند. همچنین با مقایسه ی روش های پیشنهادی با یکدیگر در می یابیم که روش پیشنهادی دوم (که روشی حساس به هزینه می باشد و از تئوری فازی و دو الگوریتم تکاملی استفاده می کند) عملکرد بهتری نسبت به سایر روش های پیشنهادی دارد.

میکروآران ای ها یک کلاس از آران ای های کوچک غیرکدشونده تنظیمی هستند که اهمیت بسیار زیادی در خاموش کردن ژن های پست-ترنسکریپشنال دارند. آن ها اکثراً با چسبیدن به بخش 3’utr( three prime untranslated region) مسنجر آران ای های هدف، میزان ژن ها را به یکی از دو روش بریدن یا مهار کردن تنظیم می کنند. دانشمندان در ابتدا اهداف میکرو آر ان ای ها را با انجام آزمایش مشخص می کردند. با این وجود، به خاطر پرهزینه و زمان بر بودن این آزمایش ها و نبود روش های آزمایشگاهی با کارائی بالا استفاده از تکنیک های محاسباتی برای پیش بینی اهداف میکرو آر ان ای ها اجتناب ناپذیر است. در این پژوهش یک روش جمعی با استفاده از الگوریتم rotation forest معرفی شد. اولین بهینه سازی استفاده از طبقه بندهای پایه متفاوت برای ساخت مدل جمعی میباشد. در دومین نوآوری، با استفاده از الگوریتم ژنتیک که از متداول ترین الگوریتم های بهینه سازی است مجموعه بهینه طبقه بندهای پایه از بین طبقه بندهای پایه مختلف انتخاب گردید. همزمان با انتخاب بهینه طبقه بندهای پایه، تعداد زیرمجموعه ویژگی که از پارامترهای مهم در الگوریتم rotation forest می باشد نیز بهینه گردید. نتایج نشان داد روش ارائه شده کارائی روش های مشابه قبلی را بهبود داده است.

در روش های سنتی طبقه بندی داده ها، تمرکز بر روی داده های برچسب دار بوده است. اما در بسیاری از کاربردها، برچسب گذاری همراه با هزینه زیاد، زمانبر و نیازمند حضور خبرگان خواهد بود. در این کاربردها معمولا در کنار تعداد کم داده های برچسب دار، تعداد بسیار زیادی داده ی بدون برچسب وجود دارد. روش های نیمه نظارتی تعداد زیادی از داده های بدون برچسب را برای بهبود طبقه بندی استفاده می کنند. اغلب الگوریتم های یادگیری ماشین برای انجام طبقه بندی، نیازمند تعداد زیادی از داده های آموزشی هستند. بنابراین زمانی که این الگوریتم ها برای طبقه بندی نیمه نظارتی اعمال می شوند، طبقه بند نمی تواند به درستی داده های جدید را طبقه بندی کند.. در این پایان نامه، از تئوری مجموعه فازی و ناهموار به منظور انجام طبقه بندی نیمه نظارتی استفاده شده است که دلیل این امر، موفقیت آن ها در زمینه یادگیری بانظارت است. در این پایان نامه سه روش برای بهبود طبقه بندی نیمه نظارتی پیشنهاد می دهیم. در روش اول با استفاده از میانگین درجه عضویت نمونه ها در تقریب های پایین و بالای فازی-ناهموارِ هر یک از کلاس های تصمیم، عمل طبقه بندی نمونه انجام می گیرد و روش دوم و سوم با استفاده از مفاهیم موجود در تئوری فازی-ناهموار و رابطه تشابه فازی، برای هر یک از همسایگان نمونه ی بدون برچسب، وزنی را در نظر می گیرند و با استفاده از مجموع وزن همسایه ها طبقه بندی نمونه را انجام می دهند. روش پیشنهادی سوم، جزو روش های مشهور یادگیری خودفراگیر است. نتایج حاصل از اعمال سه روش پیشنهادی، نشان دهنده ی برتری آنها نسبت به روش های مقایسه شونده است. با توجه به نتایج تست های آماری، در میان این سه روش،روش پیشنهادی سوم کارایی بهتری به نسبت دو روش دیگر دارد.

یک دسته بند مبتنی بر یادگیری جمعی، شامل مجموعه ای از دسته بندها است که بر روی داده های آموزشی، آموزش داده شده اند. در این پایان نامه، دو روش جدید جهت بهبود کارایی دسته بند جمعی مبتنی بر خوشه بندی، ارائه شده است. علاوه بر آن، روش سومی که از زیرمجموعه های مختلف از ویژگی ها جهت آموزش دسته بندها استفاده می کند، ارائه شده است. همچنین برای محاسبه تنوع در بین دسته بندهای یک یادگیر جمعی، چند معیار تنوع فازی، ارائه شده است. در دو روش پیشنهادی اول، با تعریف خوشه های فازی-شده بهینه، سعی شده است که با در نظر گرفتن همپوشانی مناسب برای مرز خوشه ها، کارایی دستهبندی را افزایش داد. در این دو روش، متناظر با هر خوشه فازی، یک دسته بند آموزش داده می شود و در نهایت دسته بندهای آموزش داده شده، با استفاده از روش رأی اکثریت وزن دار، ترکیب می شوند. این دو روش، جهت تنظیم پارامترهای مدل های ارائه شده، از الگوریتم های بهینه سازی تکاملی، استفاده می کنند. در روش پیشنهادی سوم، به منظور تقسیم کردن فضای ویژگی ها و ایجاد زیرمجموعه های آموزشی، از مفهوم درجه وابستگی استفاده می شود. نتایج آزمایش ها نشان می دهد که روش های پیشنهادی اول و دوم با در نظر گرفتن همپوشانی مناسب برای زیرمجموعههای آموزشی ایجاد شده، در مقایسه با سایر روش های مبتنی بر خوشه بندی، از نظر دقت دسته بندی عملکرد بهتری دارند.

تصمیم گیری بر اساس نظر چندین کارشناس یا خبره یک عمل متداول در تمدن بشری می باشد که از یک رفتار ذاتی بشر الهام گرفته است و به عنوان پایه و اساس جامعه ی دموکراتیک در نظر گرفته شده است. در طول چند دهه ی گذشته، محققان هوش محاسباتی و یادگیری ماشین چنین روش تصمیم گیری را به روش های تصمیم گیری موجود اضافه کردند و آن را سیستم یادگیری جمعی نامیدند. سیستم یادگیری جمعی به بهبود کارایی و استحکام مسایل طبقه بندی مشهور می باشد. یک مثال آشکار در این زمینه دوربین های دیجیتال مدرن می باشد که به فناوری تشخیص چهره، مجهز هستند. همان طور که می دانید، تشخیص چهره به وسیله رایانه یکی از مهم ترین چالش ها در این حوزه بوده است. این چالش تا حد زیادی با استفاده از الگوریتم های یادگیری جمعی بهبود یافته است. بنابراین، در این پایان نامه، ما این سیستم ها را باهدف افزایش دقت مسائل طبقه بندی بهبود دادیم. طبق آخرین تحقیقات، انتخاب زیرمجموعه ی از طبقه بندهای آموزش دیده ممکن است بهتر از همه ی طبقه بندهای در دسترس باشد. در این پایان نامه، ابتدا یک رویکرد انتخاب گروه ثابت بر مبنای الگوریتم ژنتیک چندهدفه پیشنهاد دادیم و آن را ses-nsgaii نامیدیم که بهترین طبقه بندها و ترکیب کننده ی آن ها را توسط بهینه سازی همزمان دقت و تنوع انتخاب می کند. سپس، دومین رویکرد پیشنهادی این پایان-نامه بهبود des-p با استفاده از رویکرد پیشنهادی اول می باشد. دومین رویکرد پیشنهادی را des-p بهینه شده (odes-p) نامیدیم. سرانجام، با الهام از انتخاب گروه پویا، نمونه برداری افزایشی تصادفی، چرخ گردان و الگوریتم ژنتیک، ما روش انتخاب گروه پویا را پیشنهاد دادیم که بهترین طبقه بند ها و ترکیب کننده ی آن ها روی همه ی نمونه های آزمایشی با استفاده از الگوریتم ژنتیک انتخاب می کند و این روش des-rwga نامیده شد که بر روی داده های تشخیص خطای نرم افزار مورد بررسی و تحلیل قرار گرفت. به منظور مقایسه ی سه روش پیشنهادی با روش های دیگر، ما همه ی روش ها را روی مجموعه داده های مشهور پیاده-سازی کرده ایم. نتایج تحلیل های آماری نشان داد که روش های پیشنهادی رتبه ی بالاتری نسبت به روش های دیگر دارند و در نتیجه عملکرد آن ها در طبقه بندی بهتر است.

در این پایان نامه، ابتدا روشی برای رتبه بندی ویژگی ها ارائه شده است. این روش که یک روش مبتنی بر فیلتر است از یک معیار بدون نظارت فازی برای بررسی شایستگی ویژگی ها استفاده می کند. این معیار، بهره اطلاعات فازی و واریانس ویژگی ها را با هم ترکیب می کند. در قسمت بعد، با استفاده از معیارهای شباهت فازی و خوشه بندی، یک روش انتخاب ویژگی جدید به صورت یک مسأله بهینه سازی معرفی شده است که از الگوریتم وراثتی برای حل مسأله، استفاده می کند . در ادامه با روش های مختلف گسسته سازی کارایی روش ارائه شده، بهبود داده شده و تأثیر الگوریتم های مختلف گسسته سازی بر کارایی، بررسی شده است. در قسمت آخر نیز، با استفاده از الگوریتم خوشه بندی تفاضلی و بهینه کردن شعاع های مربوط به هر ویژگی، سعی شده روش انتخاب ویژگی بهینه ای، از منظر دقت طبقه بندی ارائه شود.برای نشان دادن کارآمدی روش های پیشنهادی و مقایسه آنها با روش های دیگر، در این پایان نامه چندین مجموعه داده انتخاب شده و روش های مذکور بر روی آنها پیاده سازی شده اند. نتایج به دست آمده از این پیاده سازی ها، نشان دهنده ی کارایی مناسب روش های پیشنهاد شده از نظر تعداد ویژگی های انتخابی و دقت طبقه بندی می باشد. برای مثال روش اول با سه روش انتخاب ویژگی دیگر از جمله روش انتخاب ویژگی مبتنی بر همبستگی، روی یازده پایگاه داده محک، مقایسه شده و رتبه بهتری با استفاده از آزمون های ناپارامتری به دست آورده است. روش دوم و سوم هم با سه روش دیگر مقایسه شدند و روش سوم از نظر دقت طبقه بندی و روش دوم از نظر تعداد ویژگی های انتخابی، بهترین نتیجه را به دست آوردند.

در سال های اخیر روش های بهینه سازی مبتنی بر الگوریتم های تکاملی مورد توجه گسترده محققین قرار داشته است. پس از مشخص شدن قدرت این الگوریتم ها در حل مسائل بهینه سازی، امروزه کاربرد عملی این الگوریتم ها در صنعت نیز مورد علاقه بسیاری قرار گرفته است. در این تحقیق سعی شده، توانایی این الگوریتم ها برای حل یک مسئله عملی و بسیار پیچیده و حساس در محک آزمون قرار گیرد. مسئله انتخاب شده، تنظیم کنترل کننده pid حلقه های کنترلی نیروگاهی می باشد که علاوه بر پیچیده بودن مسئله تنظیم کنترل کننده برای این حلقه ها، یک کاربرد عملی مناسب بوده که از حساس ترین حلقه های کنترلی صنعتی نیز محسوب می شوند. ابتدا حلقه های کنترلی مدل شده اند و سپس بر اساس مدل بدست آمده، کنترل کننده ها تنظیم شده اند. رویکرد حل مسئله به صورت تک هدفه و چند هدفه بوده والگوریتم های مختلفی نیز در هر دو رویکرد مورد بررسی قرار گرفته است. الگوریتم های بکار رفته در هر دو رویکرد از لحاظ کارایی با یکدیگر مقایسه شده اند و نقاط ضعف و قوت آنها بررسی گردیده است. دو روش پیشنهادی جدید نیز در حل مسئله به صورت چند هدفه ارائه شده است وبا مقایسه روش های مختلف، نشان داده شده است که روش های پیشنهادی قدرت کاوش الگوریتم های استاندارد را بهبود داده اند.

مسئله انتخاب ویژگی که یک مسئله np-hard می باشد، یکی از پیچیده ترین مسائل در تشخیص چهره است. در این پژوهش به بررسی کاربرد الگوریتم ازدحام ذرات (pso ) و الگوریتم رقابتی استعماری(ica) برای انتخاب ویژگی در مسئله تشخیص چهره می پردازیم که در آن ویژگی های استخراج شده برای سیستم تشخیص چهره مورد نظر، با استفاده از توصیفگرsift محاسبه شده اند. توصیفگرsift به مسئله شناسایی درست تصاویر چهره و تخصیص آنها به یک شخص در پایگاه داده مربوطه، می پردازد که در اینجا این تکنیک جدید با الگوریتم های تشخیص چهره eigenfaces و fisherfaces مقایسه شده است. بنابراین هدف از انتخاب ویژگی، انتخاب بهترین توصیفگر sift برای استخراج ویژگی می باشد. همچنین برای بررسی کارایی دو الگوریتم pso و ica از پایگاه داده های yale و at&t و feret استفاده شده است. در این پژوهش برای بهبود روشهای قبلی، به منظور کاهش تعداد نقاط غیر بهینه و زمان محاسبه، از الگوریتم pso باینری استفاده شده است. این الگوریتم با موقعیت مناسب از بردار سرعت، عملکرد آن را بهبود می بخشد. نتایج حاصل از توصیفگرsift برتری آن را نسبت به دو روش eigenfaces و fisherfaces ، به خصوص با استفاده از مجموعه داده های آموزشی کوچکتر نشان می دهد. همچنین دو مشکل عمده این روش که تشخیص غلط تصویر و زمان مورد نیاز برای تشخیص فرایند می باشد، حل گردیده است. الگوریتم استعماری، ویژگی های مناسبی را برای تشخیص چهره انتخاب می کند، به طوری که با تعداد ویژگی های بسیار محدود می توان دقت شناسایی خوبی نسبت به الگوریتمpso بدست آورد.

بسیاری از مسائل بهینه¬سازی دنیای واقعی نیاز به هدف¬های متضاد چندگانه دارند. ثابت شده است که الگوریتم¬های تکاملی یکی از بهترین بهینه سازها در حل مسائل بهینه¬سازی چندهدفه می¬باشند. در این روش¬ها هدف، یافتن مجموعه جواب¬های مغلوب نشده¬ای است که کم¬ترین فاصله را تا جبهه پرتو دارند. با این وجود اغلب این روش¬ها به حجم عظیمی از محاسبات توابع هدف نیاز دارند. در این پژوهش به منظور رفع این مشکل روشی مبتنی بر فرا-مدل در فاز جستجوی محلی الگوریتم ممتیک، به خدمت گرفته شده است. فرا-مدل¬ها تقریب ساده¬تر و ارزان تری از توابع هدف اصلی می¬باشند، و به جای توابع هدف اصلی به کار برده می¬شوند. استفاده از فرا-مدل¬ها تعداد ارزیابی توابع هدف را به مراتب کمتر نموده و موجب همگرایی زودتر در به دست آوردن راه¬حل نهایی می¬شوند. در این کار تحقیقاتی، از تئوری فازی، الگوریتم ممتیک و فرا-مدل استفاده شده است. استفاده نمودن از آن¬ها سه روش پیشنهادی برای بهینه¬سازی مسائل چندهدفه به دنبال داشته است. از میان روش¬های ارائه شده روش¬های اول و دوم به ساخت مجموعه¬های آموزشی مختلف برای یادگیری فرا-مدل می¬پردازند؛ و در روش پیشنهادی سوم سعی شده تعداد ارزیابی¬های توابع هدف در الگوریتم nsgsa کاهش داده شود. این کار با به کارگیری فرا-مدل در فاز جستجوی محلی الگوریتم ممتیک صورت گرفته است. همچنین در این روش فرا-مدل به صورت کلی و محلی نیز به کار برده شده است. نتایج بدست آمده از توابع محک استاندارد و مقایسه با الگوریتم¬های مطرح شده در این زمینه، نشان¬دهنده مناسب بودن روش¬های پیشنهادی در حل بهینه¬سازی مسائل چند هدفه می¬باشد.

انتخاب ویژگی تمرکز بسیاری از حوزه¬های تحقیقاتی در سال¬های اخیر را به خود جلب کرده است. با پیشرفت سریع فنّاوری کامپیوتری، پایگاه¬ داده¬هایی با صدها و هزاران ویژگی در شناسایی الگو، داده کاوی، یادگیری ماشین و… به وجود آمده است. به¬طوری¬که پردازش مجموعه داده¬های بزرگ، یک کار چالش برانگیز شده است. انتخاب ویژگی این مشکل را با از بین بردن داده¬های بی¬ربط، زائد یا نویزی حل می¬کند. این عمل کارایی الگوریتم یادگیری را بهبود می¬بخشد و هزینه-های محاسباتی را کاهش می¬دهد. در این پایان نامه با توجه به ضرورت پردازش مجموعه داده های بزرگ، از الگوریتم ممتیک برای حل این مشکل استفاده شده است. الگوریتم ممتیک با ترکیب دو روش جستجوی سراسری و محلی موجب همگرایی و کاوش بهتر الگوریتم در محیط می شود. همچنین الگوریتم های یادگیری تقویتی از طریق تعامل مداوم با محیط برای حل مسائل بهینه سازی استفاده می شوند؛ که در مسئله انتخاب ویژگی می توانند در یافتن بهینه ترین زیرمجموعه ممکن مؤثر باشند. بر همین اساس، سه روش پیشنهادی مبتنی بر الگوریتم ممتیک و الگوریتم های یادگیری تقویتی ارائه شده است که در روش اول از یک الگوریتم ممتیک مبتنی بر pso-svm به همراه دو روش جستجوی محلی استفاده شده است که به¬طور همزمان زیرمجموعه ویژگی بهینه را انتخاب و پارامترهای svm را تنظیم می¬کند. در روش دوم، یک الگوریتم ممتیک خود تطبیق مبتنی بر عدم قطعیت متقارن ارائه شده است که از چهار روش گسسته سازی مختلف استفاده می کند. همچنین در این الگوریتم یک روش پیش پردازش جدید معرفی شده است که ویژگی های مرتبط با کلاس خروجی را انتخاب می کند و باعث سریع تر شدن و بهبود دقت طبقه بندی در داده های با ابعاد بالا می شود. در روش پیشنهادی سوم نیز یک الگوریتم جستجوی محلی مبتنی بر یادگیری تقویتی باهدف بهینه سازی و اصلاح ویژگی های هر یک از ذرات ارائه شده است. نتایج عددی و تحلیل های آماری نشان دهنده کارایی روش های مزبور در مقایسه با نسخه¬های دیگر بر روی دو معیار دقت طبقه بندی و تعداد ویژگی انتخابی در مجموعه داده¬های با ابعاد معمولی و ابعاد بالا است.

انتخاب ویژگی یکی از مهمترین عملیات بر روی داده ها می باشد. به وسیله ی انتخاب ویژگی، ویژگی های کم¬ اهمیت حذف می شوند و باعث درک بهتر از داده ها می شود. داده های بزرگ به دلیل داشتن ابعاد زیاد، نیاز به زمان طولانی برای انجام محاسبات دارند. از طرفی روش های سنتی نمی¬توانند در زمان قابل قبولی داده های بزرگ را پردازش کنند. اخیراً، با پیشرفت تکنولوژی کارت گرافیک ها، استفاده از این ابزار در موازی سازی الگوریتم های تکاملی فراگیر شده است. یکی از الگوهای موازی سازی الگوریتم های تکاملی الگوی پایه-پیرو می باشد. در این نوشتار، دو نسخه ی موازی الگوریتم ژنتیک روی واحدهای پردازش گرافیکی با استفاده از برنامه نویسی cuda و مبتنی بر الگوی پایه-پیرو برای انتخاب ویژگی در داده های بزرگ پیاده سازی می شوند. محاسبه ی تابع برازندگی الگوریتم ژنتیک بر روی gpu پیاده سازی شده است. در هر دو نسخه ی پیاده سازی شده، به کمک وابستگی بین ویژگی های مجموعه ی داده، مجموعه ی داده به بخش هایی متناسب با تعداد نخ های درون بلاک کارت گرافیک تقسیم می شود. در نسخه ی اول، الگوریتم تنها یک دور اجرا می شود و در نسخه ی دوم، به دلیل وجود یک شرط توقف، الگوریتم می تواند بیش از یک بار اجرا شود. شرط توقف ارائه شده در نسخه ی دوم، برمبنای مقدار وابستگی بین ویژگی ها طراحی شده است. هدف از ارائه ی نسخه ی دوم، افزایش دقت الگوریتم موازی شده به وسیله ی تکرارهای مجدد می باشد. آزمایش ها بر روی 8 مجموعه ی داده با ابعاد متفاوت و بزرگ انجام شده است. نتایج با حرکت از مجموعه ها با ابعاد کمتر به سوی مجموعه های بزرگ، بین پیاده سازی سری و نسخه های موازی شده، سرعت قابل قبولی را گزارش داده اند. هر چند در روش¬های پیشنهادی سرعت بالاتر است؛ اما با توجه به اهمیت دقت در انتخاب ویژگی لازم است در کارهای آینده به بالا بردن دقت نیز توجه شود.

طراحی کنترل کننده های فازی با استفاده از الگوریتم های تکاملی و یادگیری تقویتی q - فازی موضوعی است که در کنترل ربات ها نقش مهمی ایفا می کند. در این پایان نامه سه روش پیشنهادی برای حل مسائل کنترلی فازی تقویتی ارائه گردیده است و هر سه این روش ها روی یک مسئله فازی تقویتی به نام، ماشین عقب رونده به سمت بالا، شبیه سازی شده اند و همه ی این روش ها از ترکیب یادگیری q-فازی با یک الگوریتم بهینه سازی ایجاد شده اند. اولین روش پیشنهادی، روش بهینه سازی کلونی زنبور عسل-q-فازی است که نتایج شبیه سازی رضایتمندی به همراه داشت. روش دوم، روش فازی سازی پاداش هابه همراه بهینه سازی کلونی مورچگان –q- فازی ،که این روش هم در هدایت عامل به سمت هدف به نتایج بسیار خوبی رسید ودر نهایت روش کلونی زنبور عسل مصنوعی –q –فازی است که با بکارگیری الگوریتم کلونی زنبور عسل مصنوعی در ترکیب با روش -q فازی یک تغییر شگرف در نتایج شبیه سازی ایجاد کرد و نتایج بسیار عالی را به ارمغان آورد. برای بررسی قدرت عملکرد الگوریتم ها از معیارهای دقت، میانگین تعداد تلاش ها، تعداد شکست هاومیانگین زمان اجرا cpu استفاده شده است. همچنین معیارهایی به نام معیار سودمندی و معیار سودمندی کل در روش دوم مورد استفاده قرار گرفت. درکل نتایج نشان داد که هر سه روش پیشنهادی از مزایای قابل قبولی برخوردارند و سومین روش بهترین کیفیت را نسبت به سایر روش ها داراست.

رمزنگاری، علم حفاظت اطلاعات محرمانه در هنگام ذخیره یا انتقال داده ها تحت شرایط ناامن می باشد. تکنیک های رمزنگاری موجود اغلب براساس نظریه اعداد و یا مفاهیم جبری می باشند. آشوب نیز ابزار دیگری است که امیدهای فراوانی را در حصول امنیت مطلوب در رمزنگاری ایجاد نموده است.پس از انجام تحقیقات وسیع، ابزاری که به عنوان ستون اصلی به کار گرفته شد، انواع نگاشت های آشوبناک می باشد که سعی شده با نگاهی نو و ایده های ابتکاری از خصوصیات آنها بهره برداری گردد. به طور کل بخشی از کار ما به تحلیل کارهای گذشته و دریافت نقاط ضعف و قوت آنها اختصاص یافته، که این بخش منجر به بهبود روش های موجود شده است. در این گزارش، یک طرح کارای رمزگذاری ویدئو با فریم ویدئویی(به عنوان کلیدتصویری) بر پایه سیستم فوق آشوب ارائه می دهیم. نکته ی بارز طرح پیشنهادی استفاده از نوع انتخاب داده ها جهت رمزنگاری و استفاده از فریم ویدئویی به عنوان کلیدتصویری می باشد. که بر اساس ساختار فریم ها، فریم های i و در این فریم ضریب جاری مستقیم(dc) و ضرایب جاری متناوب(ac) جهت رمزگذاری انتخاب می کنیم و با استفاده از خصوصیات سیستم های فوق آشوب به همراه یک کلید تصویری(فریم ویدئویی) به امنیت بالاتر و استحکام بیشتر متن رمز شده در برابر انتشار نویز دست یافتیم. نتایج آزمایشگاهی نشان دهنده ی این امر است که طرح دارای امنیت رمزگذاری و ادراکی خوبی بوده، همچنین تاثیری بر روی کارایی فشرده سازی ندارد. به طوری که به psnr بیشتر از 40 دستیابی پیدا می کنیم.

. در این پایان نامه سعی شده است روش های ممکن برای بهبود کارایی روش های بهینه سازی چندمُدی توسط الگوریتم-های تکاملی بررسی شده و ایده های نوینی در این زمینه ارائه شود. استفاده از روش های مبتنی بر تئوری مجموعه های فازی و مجموعه های ناهموار برای بهبود بهینه سازی چند مُدی مد نظر قرار گرفته اند.

شبکه ی هوشمند توان الکتریکی، از شبکه های مختلف ارتباطی ، به منظور ارایه ی قابلیت های مربوط به سیستم های پیچیده ی توان، به گونه ی هوشمندانه بهره می گیرد. این شبکه، از ارتباط دو طرفه ی میان داده و جریان، به منظور تسهیل ایجاد ارتباط میان اجزای مختلف شبکه، استفاده می کند. یکی از مباحث چالشی در شبکه هوشمند، بهینه سازی مسیریابی می باشد که انتقال داده در این مسیرها، بر مبنای کیفیت سرویس می-باشد. بدین منظور، ما دو مدل را مورد بررسی قرار داده ایم که هر کدام از این مدل ها، سعی در ارایه ی پروتکل هایی مناسب برای بهینه سازی مسیریابی، بهبود عملکرد شبکه و کمینه سازی هزینه ی شبکه دارند. در حالی که در مدل اول، تنها دو پارامتر،تأخیر ارتباطی و احتمال قطع برق، به منظور نشان دادن کیفیت سرویس در شبکه مورد استفاده قرار می گیرد؛ در مدل دوم، هفت پارامتر، تأخیر انتقال بسته، احتمال قطع برق، احتمال فقدان بسته، احتمال فقدان مسیر، حساسیت شبکه، میزان در دسترس بودن شبکه، بازده موثر، مورد استفاده قرار می گیرد. الگوریتم های هوش مصنوعی، از جمله الگوریتم ژنتیک و نروفازی، به منظور بهینه سازی پروتکل-های ارایه شده، مورد استفاده قرار گرفته اند. نتایج به دست آمده، بر مبنای داده های آزمایشی معتبر، حاکی از بهبود عملکرد شبکه تحت پروتکل های معرفی شده می باشد.

به علت پیچیدگی که در سیستم های مختلف موجود می باشد وجهت تحلیل و درک بهتر این سیستم ها نیازمند آن می باشیم تا مدلی از آنها داشته باشیم. علاوه بر روش های معمول مورداستفاده جهت شناسایی سیستم ها در سال های اخیر روش های هوشمند و بویژه مدل های فازی جهت شناسایی سیستم ها مورد استفاده قرار گرفته اند دارد. همچنین الگوریتم های تکاملی جهت بهینه سازی بسیار مورد استفاده قرارگرفته اند که علاقه مندان بسیاری را نیز به خود جذب کرده اند. در این تحقیق جهت شناسایی از سیستم های فازی استفاده گردیده است که در کنار آن ها جهت بهینه کردن الگوریتم مورداستفاده از الگوریتم های تکاملی بهره برده شده است. سیستم هایی که مورد شناسایی قرارگرفته اند از بویلرهای بازیافت نیروگاه سیکل ترکیبی کرمان انتخاب شده اند که از حساسیت زیادی در نیروگاه برخوردارند. جهت برطرف کردن اشکالاتی که در حلقه های کنترلی آن ها وجود دارد نیاز به شناسایی این سیستم ها می باشد که این عمل توسط الگوریتم های پیشنهادی انجام پذیرفته است. از سیستم فازی تاکاگی – سوگنو استفاده شده است که جهت بهینه سازی پارامتر های آن از الگوریتم های تکاملی تک هدفه و چند هدفه استفاده گردیده است. سه روش ارائه شده است: در روش اول از الگوریتم خوشه بندی کاهشی جهت تولید مدل سوگنو فازی استفاده شده است. در روش دوّم با استفاده از الگوریتم ژنتیک به بهینه سازی مدل سوگنو تولید شده بر مبنای الگوریتم خوشه بندی کاهشی پرداختیم. روش پیشنهادی سوم همان مسأله بهینه سازی روش پیشنهادی دوّم را با رویکرد چند هدفه حل می کنیم. در نهایت پس از بررسی نتایج بدست آمده مشخص است که روش پیشنهادی دوّم از دقت بالاتری برخوردار است و میزان خطا بسیار کم می باشد ولی در مقایسه با بقّیه روش ها، مدل بدست آمده پیچیده تر می باشد. روش پیشنهادی سوم نسبت به بقیه روش های پیشنهادی بهینه تر است هرچند که دقت مدل در مقایسه با روش پیشنهادی دوّم کم تر است ولی مدلی ساده تر بدست آمده است.

چکیده ندارد.