ته به حال فعالیت های کمی در زمینه استفاده از سیستم های چند عامله برای تشخیص نفوذ انجام شده است در این پایان نامه روشی متتنی بر سیستم های چند عامله برای تشخیص نفوذهایی از نوع انکار سرویس که یکی از حملات مهم و شایع در سیستم های کامپیوتری است اراویه می گردد. از آن جایی که مسیله هماهنگی بین عامل ها در یک سیتم چند عامله بسیار حیاتی و حساس لازم است ابتدا روشی برای هماهنگ کردن عامل ها در سیستم های چند عامله ارایه گردد تکنیکی که برای این منظور مورد استفاده قرار می دهیم اتوماتای یادگیری می باشد بنابرانی در این پایان نامه دو هدف مدنظر می باشد. ابتدا کارایی اتوماتای یادگیر در حل مسیله هماهنگی در سیستم های چند عامله مورد بررسی قرار گرفته و راه کارهایی برای این منظور ارایه می گردد سپس بااستفاده از نتایج این بررسی ها و مدل های به دست آمده سیستم تشخیص نفوذی هماهنگی بهره می گیرند آزمایش ها نشان می دهند که روش های ارایه شده برای ایجاد هماهنگی از کاراییی لازم برخوردار بوده و سیستم تشخیص نفوذ پیشنهادی در مقایسه با سیستم های مشابه عملکرد مناسبی از لحاظ سرعت نرخ تشخیص و نرخ خطای مثبت نادرست از خود نشان می دهد

مسأله انتساب ایستای کانال در شبکه های سلولی موبایل، عبارتست از تخصیص کانال های فرکانسی مورد نیاز سلول ها بطور ثابت و بر اساس پیش بینی های و تخمین های قبلی از ترافیک هر سلول، بطوریکه دو هدف عمده کاهش انسداد مکالمات و کاهش هزینه شبکه برآورد شود. با توجه به np-complete بودن این مسأله تاکنون تلاش های زیادی جهت استفاده از الگوریتم های مکاشفه ای گوناگون در حل آن بکار گرفته شده است. اتوماتای یادگیر سلولی (cla) یک رهیافت جدید برای حل مسایل بهینه سازی پیچیده می باشد. که بررسی های اخیر برون آن، کارآیی مناسب آن را به عنوان تکنیکی برای حل این گونه مسایل به خصوص مسایل np-complete نشان داده است. باتوجه به این نکات، در این پایان نامه یک محور مطالعاتی اصلی و چند محور فرعی مورد مطالعه قرار گرفته اند. در محور اصلی مطالعات مسأله انتساب ایستای کانال را مورد توجه قرار داده و به کمک cla رهیافت هایی برای حل آن ارایه نموده ایم. در همین راستا دو معیار بهینگی متفاوت یعنی "تعداد کانال های تخصیص یافته" و "تعداد تقاضاهای تماس مسدود شده" مورد توجه قرار گرفته اند. برای حل نسخه اول مسأله، آن را به مسأله رنگ آمیزی گراف تعمیم یافته تبدیل نموده و سپس به کمک مدل cla راه حلی برای آن ارایه می نماییم. در نسخه دوم مسأله، از منظر مسأله بزرگترین مجموعه مستقل (mis) با آن برخورد نموده، با معرفی گراف تداخل که بزرگترین مجموعه مستقل آن بیانگر بهترین تخصیص ممکن است، سعی می کنیم بزرگترین مجموعه مستقل ممکن را بیاییم، نتایج بدست آمده از شبیه سازی این الگوریتم ها بر روی نمونه های مختلف مسأله معروف شهر فیلادلفیا با یکی از بهترین الگوریتم های موجود مبتنی بر شبکه های عصبی مقایسه شده است. راه حل نسخه اول مسأله، در مقایسه با این الگوریتم جواب های بهتری را تولید می کند( تعداد کانال های کمتری نیاز دارد) اما زمان اجرای کندتری دارد. الگوریتم نسخه دوم مسألهأ نه تنها به طرز قابل ملاحظه ای کیفیت پاسخ ها را بالا برده است و نرخ مسدود کردن بسیار کمتری دارد، بلکه از زمان اجرای قابل رقابتی نیز برخوردار می باشد. علاوه بر این، نرخ تغییرات پاسخ های این دوالگوریتم در اجراهای مختلف، با وجود ذات احتمالاتی cla، بسیار پایین است. در کنار محور اصلی مطالعات این پایان نامه، مطالعه دیگر نیز صورت گرفت؛ ایل، ارایه یک رهیافت کلی برای حل مسأله mis، با استفاده از cla ، که در مقایسه با الگوریتم های مکاشفه ای موجود، کرایی بالایی را از خود نشان؛ دوم، بررسی رفتار اتوماتای یادگیر سلول ناهمگام (acla) و تحلیل تکنیک های بروز رسانی مختلف و نیز افزودن تاخیر در بروزرسانی، همیشه به حالت بیشینه پاداش سراسری همگرا می شود و افزودن تاخیر در سلول ها فقط تعداد تکرار الگوریتم را در رسیدن به وضعیت نهایی تحت تاثیر قرار داده و در کیفیت پاسخ تاثیر گذار نیست؛ سوم، از la ها برای حل مسأله سینماتیک معکوس ربات های افزونه استفاده شد که نتایج شبیه سازی ها و مقایسه با رهیافت های موجود قابلیت مناسب la را در حل مسایلی از این دست نشان داد. ‍‍‍

در این پایان نامه چندین روش مبتنی بر pso و اتوماتاهای یادگیر برای ایجاد هماهنگی در سیستمهای چند عاملی پیشنهاد گردیده است. روشهای پیشنهادی به دو گروه تقسیم میگردند: روشهای مبتنی بر pso و روشهای مبتنی بر اتوماتاهای یادگیر. در بخش اول ابتدا نسخه ی جدیدی از pso گسسته مبتنی بر اتوماتای یادگیر سلولی ارایه گردیده است. به منظور ارزیابی، این روش برای بهینه سازی 5 تابع استاندارد استفاده و نشان داده شده است که از کارایی بالاتری در مقایسه با dpso و la-pso برخوردار است. سپس از این روش برای ایجاد هماهنگی در سیستم چند عاملی خوشه بندی مورچه ای استفاده گردیده است. در بخش دوم دو روش برای بهبود خوشه بندی مورچه ای مبتنی بر اتوماتای یادگیر ارایه شده است. در ادامه ی بخش دوم یک روش یادگیری تقویتی جدید بر پایه ی اتوماتاهای یادگیر به نام qla پیشنهاد گردیده است. در این روش یک اتوماتای یادگیر در هر حالت محیط قرار می گیرد که وظیفه ی آن تعیین حالت بعدی عامل میباشد. به منظور ارزیابی، این روش برای حل مساله جمع آوری اشیاء استفاده گردیده و نتایج بدست آمده با روش q-learning و یک روش مبتنی بر فرومونها مقایسه شده است. نتایج مقایسه ها نشان میدهد که روش پیشنهادی مدل بهتری برای هماهنگی در سیستمهای چند عاملی میباشد.

رشد جمعیت و رشد شهرها، مشکلات و مسائلی در زندگی مدرن پدید آورده است که در دنیای قدیم مطرح نبوده اند. امروزه وسعت یک شهر بسیار بیشتر از یک یا چند محله محدود است، و به همین جهت افراد در موارد بسیاری راه بین یک مبدأ و مقصد را نمی شناسند. سیستم های ناوبری خودرو سعی در رفع این مشکلات داشته و و به کاربری که در یک ماشین است بهترین مسیر را ارائه می دهند. بخش عمده ای از چنین سیستم هایی از یک معیار مشخص مانند زمان یا مسافت مسیر برای مسیریابی استفاده می کنند، بدین معنا که بهترین مسیر سریع ترین یا کوتاه ترین مسیر است. لیکن بهترین مسیر از دید افراد مختلف می تواند متفاوت باشد. روش هایی وجود دارند که مسیریابی را بر اساس چند ویژگی انجام می دهند. علاوه بر این، روش هایی نیز وجود دارند که به سیستم ناوبری خودرو توانایی دنبال کردن انتخاب های یک راننده را می دهند. در نتیجه با گذشت زمان سیستم می تواند با استفاده از این روش ها، موسوم به روش های مسیریابی تطبیقی، انتخاب های بعدی راننده را پیش بینی کرده، و به او در صرفه جویی زمان برای انتخاب یک مسیر کمک کند. در این پایان نامه مسیریابی تطبیقی در سیستم های ناوبری خودرو مورد بررسی قرار گرفته، و چند روش پیشنهادی معرفی شده اند. استفاده از روش های یادگیری تقویتی، در قالب اتوماتای یادگیر بخش عمده ای از این روش ها را تشکیل می دهد. مهم ترین این روش ها روشی است که از تلفیق یک سیستم خبره فازی با اتوماتای یادگیر بهره می برد. پیاده سازی و آزمون این روش ها، نشان دهنده بهبود عملکرد مسیریابی تطبیقی در مقایسه با روش های پیشین است.

هدف از این پایان نامه بررسی دقیقتر رفتار مدل اتوماتای یادگیری سلولی (cla) و تحقیق در راستای کاربردهای این مدل می باشد. برای نیل به این منظور، سه بخش کاری در نظر گرفته شده است. در بخش اول مطالعه رفتاری بر روی اتوماتای یادگیر سلولی انجام شده و کاربردی از اتوماتای یادگیر سلولی در زمینه تشخیص لبه های تصویر ارایه شده است. در بخش دوم مدل جدیدی از اتوماتای یادگیر سلولی که در آن اتوماتاهای یادگیر توانایی حرکت از یک سلولی به سلول های مجاور دارند، معرفی شده است. مدل جدید معرفی شده در خوشه بندی دادگان مختلف مورد ارزیابی قرار گرفته است. سپس توسعه فازی مدل جدید ارایه و در مسایل خوشه بندی مشابهی مورد ارزیابی قرار گرفته است. در بخش آخر مدل جدیدی از cla-ec با نام continuous cla-ec معرفی شده که در خوشه بندی دادگان و بهینه سازی توابع استفاده شده و نشان داده شده است که در هر دو کاربرد از کارایی بالاتری نسبت به cla-ec برخوردار می باشد.

یک سیستم ناوبری خودرو راننده را در پیدا کردن مسیر بهینه یاری میکند و به تازگی توسط اکثر کارخانه های بزرگ اتومبیل سازی بکار گرفته شده است. این سیستم از قسمتهای مختلفی تشکیل شده است که یکی از آنها مکان یابی نام دارد که محل فعلی اتومبیل را در شبکه راه ها مشخص می کند. در سیستم های هدایت اتومبیل برای تعیین محل اتومبیل، از موقعیت یاب عمومی (gps) استفاده می شود. دقت یک سیستم موقعیت یاب عمومی در سیستم های ناوبری خودرو از عوامل مختلفی تأثیر می پذیرد و به همین دلیل لازم است از روش های تطبیق نقشه جهت افزایش دقت در موقعیت تعیین شده خودرو استفاده نمود. تطبیق نقشه در سیستم های ناوبری خودرو وظیفه تعیین موقعیت فعلی خودرو برروی نقشه شهر را بر عهده دارد. در این پایان نامه یک الگوریتم مبتنی بر شبکه عصبی فازی و دو الگوریتم ترکیبی برای حل مسأله تطبیق نقشه در سیستم های ناوبری خودرو پیشنهاد می شود. اولین الگوریتم از ترکیب اتوماتاهای یادگیر و منطق فازی حاصل شده است. در این روش ترکیبی از اتوماتاهای یادگیر برای تنظیم توابع فازی که بر روی پارامترهای ورودی و خروجی مسأله تعریف شده استفاده می شود. دومین الگوریتم از شبکه های عصبی فازی برای تنظیم توابع فازی که بر روی پارامترهای ورودی و خروجی استفاده کرده و سومین الگوریتم از ترکیب اتوماتاهای یادگیر و شبکه های عصبی فازی حاصل شده است که از اتوماتاهای یادگیر برای تنظیم توابع عضویت پارامترهای ورودی و خروجی استفاده می گردد. به منظور ارزیابی، روش های پیشنهادی برای شهر تهران آزمایش گردیده است و نتایج بدست آمده با نتایج یک الگوریتم تطبیق نقشه موجود مقایسه شده است. نتایج مقایسه برتری الگوریتم های پیشنهادی را نشان داه است.

این پایان نامه به بررسی توانایی مدل اتوماتای یادگیر برای حل مسایل مطرح در شبکه های حسگر می پردازد. با توجه به توانایی های اتوماتای یادگیر (از قبیل بار محاسباتی کم، قابلیت استفاده در محیط های توزیع شده و دارای اطلاعات نادقیق، نیاز به کمترین بازخورد از محیط و ...)، به نظر می رسد که استفاده از آن برای حل مسایل مطرح در شبکه های حسگر مناسب باشد. به منظور بررسی دقیق تر این مطلب، در این پایان نامه 3 حوزه مختلف از مسایل مطرح در شبکه های حسگر انتخاب شده و سعی شده است راهکاری مبتنی بر اتوماتای یادگیر برای هریک از این حوزه ها ارایه شود. این سه حوزه عبارتند از مسیریابی، تحمل پذیری خطا و کنترل توپولوژی. در حوزه مسیریابی در شبکه های حسگر، یک پروتکل مسیریابی بر اساس اتوماتای یادگیر پیشنهاد شده است که در آن معیار طول عمر شبکه مد نظر قرار گرفته و با استفاده از اتوماتای یادگیر، سعی شده است که این مهم تأمین گردد. در همین حوزه یک مکانیزم زمانبندی برای ارتباط سرخوشه با اعضای خوشه در پروتکل های مسیریابی سلسله مراتبی با استفاده از اتوماتای یادگیر پیشنهاد شده است. در این مکانیزم از اتوماتای یادگیر به منظور تشخیص عضوهایی از خوشه که داده بیشتری برای ارسال به سرخوشه دارند، استفاده شده است. در حوزه تحمل پذیری خطا در این شبکه ها، یک پروتکل تحمل پذیر خطای ناسازگاری داده با استفاده از اتوماتای یادگیر پیشنهاد شده است. در این پروتکل، از اتوماتای یادگیر به عنوان ابزاری برای انتخاب گره های دارای قابلیت اطمینان بالاتر به منظور انجام مسیریابی استفاده شده است. در حوزه کنترل توپولوژی یک پروتکل کنترل توپولوژی مبتنی بر اتوماتای یادگیر سلولی پیشنهاد شده است که در آن اتوماتای یادگیر هر گره در همکاری با اتوماتاهای یادگیر گره های همسایه، محدوده انتقال مناسب برای آن گره را انتخاب می نماید. تمامی پروتکل ها و مکانیزم های پیشنهادی با استفاده از نرم افزار شبیه ساز ns2 شبیه سازی شده و رفتار پروتکل ها بر اساس نتایج این شبیه سازی ها مورد ارزیابی قرار گرفته است. نتایج ارزیابی ها عملکرد مطلوب پروتکل ها و مکانیزم های پیشنهادی را نشان می دهد. مطلوب بودن نتایج این بررسی ها در حقیقت نشان می دهد که مدل اتوماتای یادگیر مدلی مناسب برای حل مسایل مطرح در شبکه های حسگر می باشد. علاوه بر موارد فوق، در یک مطالعه فرعی صورت پذیرفته در این پایان نامه، برای پروتکل هایی که در آنها از یک توری مجازی روی محیط شبکه استفاده می شود، بررسی دقیقی روی شکل های مختلف سلول های توری مجازی صورت پذیرفته و نشان داده شده است که تعریف مناسب شکل سلول تأثیر بسیار زیادی در عملکرد شبکه به خصوص از لحاظ کاهش مصرف انرژی دارد.

در این گزارش به تحقیق در زمینه تعدیل بار هوشمند در محیط گرید محاسباتی پرداخته شده است و فناوریهای موجود بررسی شده اند. برای استفاده هر چه بیشتر از قابلیتهای گرید محاسباتی، مدل گرید تجزیه ای مبتنی بر گرید برقرسانی پیشنهاد شده است. این گرید به ترجمه برخط برنامه ها می پردازد و به منظور تعدیل بار هرچه بهتر به تجزیه و تحلیل برخط کد می پردازد و حداکثر استفاده را از منابع موجود می نماید. الگوریتمی برای مهاجرت بار معرفی و بررسی شده است و دقت آن و میزان تاثیر آن در تعدیل بار با شبیه سازی نشان داده شده است. الگوریتم تعدیل بار هوشمند برخط در گرید محاسباتی تجزیه ای با استفاده از اتوماتای یادگیر نیز بصورت مشروح توضیح داده شده است و توسط نتایج شبیه سازی با روشهای موجود مقایسه و کارایی آن اثبات شده است. همچنین در زمینه تعیین زمان تعدیل بار نیز روشی مبتنی بر اتوماتای یادگیر ابداع شده است که دو روش ایستا و پویا در این زمینه را با هم ادغام کرده و روشی بهینه تعریف می کند که با توجه به بار مهاجرت بر پهنای باند شبکه موجود به تعدیل بار بهینه دست یافته است و توسط شبیه سازی کارایی آن نشان داده شده است. آنچه در باره این پروژه اهمیت دارد ماهیت هوشمند الگوریتم تعدیل بار می باشد که می تواند با هر تابع و برنامه ای متناسب با آن بر خورد کند و حتی توابع کم اهمیت را از صف پردازش تعدیل بار خارج کند. همچنین با اعمال تعیین زمان هوشمند توسط اتوماتای یادگیر، حداکثر تعدیل بار ممکن در گرید اعمال می شود. تعدیل بار در گرید تجزیه ای بصورت هوشمند انجام می شود تا با شناسایی توابع و برنامه های موجود، کار بگونه ای توزیع شود که نیاز به اعمال تعدیل بار در روند آینده گرید کمتر و کمتر باشد و پهنای باند موجود صرف کارهای مفید شود. همچنین مدل پیشنهادی با شکستن کارها به ریزکارها، سیستم گرید را در برابر خرابی منابع حفظ می کند و دیگر برای خرابی در اجرای یک تابع نیاز به اجرای مجدد برنامه از ابتدا نمی باشد

در این پایان نامه به حل دو مسأله با استفاده از راهکار های غیر متمرکز و مبتنی یادگیری تقویتی پرداخته شده است. در مسأله ی نخست، کاربرد اتوماتاهای یادگیر در ایجاد هماهنگی در یک سیستم چندعامله مورد بررسی قرار گرفته است. در مسأله ی فوق از اتوماتاهای یادگیر در فضایی سلولی برای هماهنگ سازی و یا به عبارت بهتر گردآوری و خوشه بندی عوامل همسان استفاده شده است. مسأله ی دوم در حوزه ی شبکه های موردی مطرح شده است که به عنوان نمونه‏ای دیگر از سیستم های چندعامله هستند. در این مسأله با فرض وجود نقاط ناامنی در محیط شبکه که مکان آنها مدام در حال تغییر است، هدف حرکت دادن گره ها به گونه‏ای است که با حداقل هزینه از این نقاط ناامن فاصله بگیرند در حالی که اتصال شبکه و یکنواختی توزیع گره ها در محیط حفظ شود. به منظور نیل به اهداف ذکر شده، هر گره در شبکه به تعدادی اتوماتای یادگیر مجهز می‏شود. اتوماتاهای یادگیر هر گره با همکاری اتوماتاهای یادگیر گره های همسایه به مرور زمان الگوی حرکتی مناسب برای آن گره را فرا می‏گیرند.

در سال های اخیر، برای بهره برداری از حجم وسیع داده های وب روش های وب کاوی معرفی شده اند. وب کاوی، به کارگیری روش های داده کاوی برای کشف و استخراج خودکار اطلاعات از اسناد و سرویس های وب می باشد. یکی از انواع داده کاوی، داده کاوی ساختار وب است که با استفاده از پیوندها اطلاعات جدیدی راجع به صفحات به دست می آورد، اما پیوندها اطلاعات کافی راجع به ارتباط بین صفحات به دست نمی دهند. یک راهکار مناسب برای بهبود نتایج روش های داده کاوی ساختار وب، به کارگیری داده های استفاده از وب و نحوه پیمایش کاربران علاوه بر پیوندها در این روش ها می باشد. در این پروژه دو روش برای داده کاوی ساختار وب ارایه می شود که با استفاده از ترکیب پیوندها و داده های استفاده از وب اطلاعات جدید راجع به صفحات و ارتباطشان به دست می آورند. روش اول مبتنی بر اتوماتای یادگیر توزیع شده و روش دوم مبتنی بر اتوماتای یادگیر سلولی است. هر دو روش پیشنهادی از دو مرحله کلی تشکیل شده است. در مرحله اول، با استفاده از اتوماتای یادگیر (توزیع شده یا سلولی)، پیوندهای بین صفحات و رفتار کاربران در مشاهده صفحات وب، ساختار ارتباطی صفحات وب به دست می آید. به آن معنی که صفحات مرتبط با یکدیگر و میزان ارتباط آنها تعیین می شود. در مرحله دوم، ساختار ارتباطی به دست آمده از مرحله قبل، در دو نوع از کاربردهای داده کاوی ساختار وب استفاده خواهد شد. کاربرد اول پیمایش موضوعی صفحات وب و کاربرد دوم تشخیص اجتماعات وب است. همچنین کارایی ساختار به دست آمده، پیمایشگر طراحی شده و اجتماعات وبی که با استفاده از روش های پیشنهادی تشخیص داده می شوند، با روش های مشابه مقایسه شده و رفتار آنها در شرایط گوناگون مورد بررسی قرار می گیرد.

در این پایان نامه چند مدل ترکیبی بهینه سازی مورد مطالعه قرار گرفته اند در قسمت اول پایان نامه، مدل محاسبات تکاملی بر پایه اتوماتای یادگیر سلولی که ترکیبی از اتوماتای یادگیر سلولی و الگوریتم ژنتیک است مطالعه شده است و توانایی آن در حل مسایل پیچیده با فضای حالت بزرگ بررسی شده است. در قسمت دوم مدلی جدید از حرکت دسته جمعی ذرات با نام psola معرفی شده است. در این مدل یک اتوماتون یادگیر مسوولیت تنظیم رفتار ذرات و برقراری تعادل بین جستجوی سراسری و جستجوی محلی در حرکت دسته جمعی ذرات را بر عهده دارد. سپس بر پایه مدلpsola مدل ترکیبی جدیدی به نام clapso ارائه شده است که ترکیبی از اتوماتای یادگیر سلولی و مدل حرکت دسته جمعی ذرات می باشد هر سلول در مدل clapso در برگیرنده یک psola است و اتوماتون یادگیر هر سلول از تجربیات شخصی خود و نیز از تجربیات اتوماتای سلولهای همسایه بهره می گیرد نتایج آزمایشات صورت گرفته بر روی مسایل استاندارد نشان داده اند که مدلهای ارائه شده عملکرد بهتری نسبت به مدل استاندارد حرکت دسته جمعی ذرات دانسته اند.

در این پایان نامه الگوریتمهایی برای حل سه مسأله "پیدا کردن کوتاهترین مسیر بین یک مبدأ و دیگر گره های گراف"، "پیدا کردن کوتاهترین مسیر در گرافهای تصادفی که هزینه یالها همبسته می باشد" و "مسأله مسیریابی وسیله نقلیه احتمالی" طراحی و پیاده سازی شده است. در بخش اول پایان نامه یک الگوریتم مبتنی بر اتوماتاهای یادگیر برای مسأله پیدا کردن کوتاهترین مسیر بین یک گره مبدأ و دیگر گره های گراف در گرافهای تصادفی پیشنهاد گردیده و سپس مورد تجزیه وتحلیل قرار گرفته است. آلگوریتم پیشنهادی که از شبکه ای از اتوماتاهای یادگیر استفاده میکند سعی می کند با حداقل تعداد نمونه گیری از یالهای گراف تصادفی در شرایطی که توزیع احتمالی وزن یالها از قبل شناخته شده نیست درخت کوتاهترین مسیر را برای یک گره ریشه مشخص پیدا نماید. به منظور بررسی کارایی، الگوریتم پیشنهادی بر روی گرافهای مختلف آزمایش و نتایج بدست آمده با نتایج حاصل از الگوریتم های موجود مقایسه شده است. نتایج مقایسه حاکی از عملکرد بهتر الگوریتم پیشنهادی در مقایسه با الگوریتم های موجود بوده است. در بخش دوم پایان نامه یک الگوریتم مبتنی بر اتوماتاهای یادگیر برای حل مسأله کوتاهترین مسیر تصادفی در گرافهایی که هزینه یالهای همبسته می باشند پیشنهاد گردیده و سپس مورد تجزیه وتحلیل قرار گرفته است. در این مسأله فرض بر این است که توزیع های وزن یالها و همبستگی بین آنها از پیش مشخص نیست. در بخش سوم پایان نامه با استفاده از اتوماتای یادگیر توزیع شده الگوریتمی برای حل مسأله مسیریابی وسیله نقلیه احتمالی ارایه و مورد تجزیه و تحلیل قرار گرفته است. هدف در این مسأله یافتن دنباله ای از مشتری ها می باشد که منجر به کمترین مقدار متوسط هزینه سفر گردد. این مسأله یکی از مسایل np-complete می باشد و به همین دلیل الگوریتم های مکاشفه ای متعددی برای آن طراحی شده است. در این پایان نامه دو الگوریتم مبتنی بر اتوماتای یادگیر توزیع شده برای حل مسأله مسیریابی وسیله نقلیه با درخواستهای احتمالی پیشنهاد می گردد. به منظور بررسی کارایی، الگوریتم پیشنهادی بر روی گرافهای مختلف آزمایش و نتایج بدست آمده با نتایج حاصل از الگوریتم های موجود مقایسه شده است. نتایج مقایسه حاکی از عملکرد بهتر الگوریتم پیشنهادی در مقایسه با الگوریتم های موجود بوده است.

اتوماتای یادگیر سلولی، یک مدل ریاضی برای سیستم هایی است که از اجزاء ساده ای تشکیل شده اند و رفتار هر جزء بر اساس رفتار همسایگانش و نیز تجربیات گذشته اش تعیین و اصلاح می شود. اجزاء ساده تشکیل دهنده این مدل، از طریق تعامل با یکدیگر می توانند رفتار پیچیده ای از خود نشان دهند. هر اتوماتای یادگیر سلولی، از یک اتوماتای سلولی تشکیل شده است که هر سلول آن به یک یا چند اتوماتای یادگیر مجهز می باشد که وضعیت این سلول را مشخص می سازد. در این اتوماتا, قانون محلی در محیط حاکم است و این قانون تعیین می کند که آیا عمل انتخاب شده توسط یک اتوماتا در یک سلول باید پاداش داده شود و یا جریمه شود. عمل دادن پاداش و یا جریمه منجر به بروز شدن ساختار اتوماتای یادگیر سلولی برای رسیدن به یک هدف مشخص می گردد. این پایان نامه از سه بخش تشکیل شده است. در بخش اول از این پایان نامه, رفتار اتوماتای یادگیر سلولی در مورد قوانین متفاوت بررسی شده و یک طبقه بندی برای اتوماتای یادگیر سلولی ارایه شده است. در بخش دوم از این پایان نامه, سه الگوریتم تقریبی مبتنی بر اتوماتای یادگیر سلولی برای حل مسأله رنگ آمیزی گراف پیشنهاد شده و الگوریتم های پیشنهادی با الگوریتم های تقریبی بلام, کارگر و هالپرین مقایسه شده است. بر اساس نتایج به دست آمده الگوریتم های پیشنهادی نتایج بهتری را در مقایسه با الگوریتم های فوق الذکر تولید می کنند. در بخش سوم این پایان نامه, مسأله بزرگترین برش در گراف بررسی شده و سه الگوریتم تقریبی مبتنی بر اتوماتای یادگیر سلولی برای حل این مسأله پیشنهاد شده است. الگوریتم های پیشنهادی با الگوریتم های تقریبی سهنی, ژئومنس, ترکیبی و نیز الگوریتم ژنتیک مقایسه شده اند. طبق نتایج به دست آمده الگوریتم های پیشنهادی نتایج بهتری را در مقایسه با الگوریتم های ذکر شده تولید می کنند.

یک گراف تصادفی g را توسط سه تایی ؟؟؟؟؟؟؟ تعریف می کنیم که در آن v={1,2,3, …, n} مجموعه راسهاست و e ?v*v مجموعه یالها را معین می کند و ماتریس f که یک ماتریس n*n است مشخص کننده توزیع احتمالی وزن یالهای گراف می باشد. در این پایان نامه الگوریتمهایی برای حل چهار مساله در گرافهای تصادفی در حالتی که توزیع وزن یالهای گراف تصادفی از قبل شناخته شده نیست پیشنهاد شده است. این مسائل عبارتند از : یافتن درخت پوشایی از گراف تصادفی با مینیمم هزینه مورد انتظار ، یافتن تطابقی از گراف تصادفی با ماکزیمم وزن مورد انتظار، یافتن درخت کوتاهترین مسیر از یک راس مبدا به سایر گره ها با مینیمم طول مورد انتظار و یافتن درخت اشتاینری از گراف تصادفی با مینیمم هزینه مورد انتظار. برای ارزیابی کارایی الگوریتمهای پیشنهادی، این الگوریتمها با الگوریتمهای ارائه شده قبلی در صورت وجود، مقایسه شده اند و در غیر این صورت با روشی به نام نمونه گری استاندارد سنجیده شده اند و نشان داده شده است که تعداد نمونه های گرفته شده با توجه به درصد همگرایی الگوریتم به جواب بهینه، در الگوریتمهای پیشنهادی کمتر از الگوریتمهای مشابه می باشد.

چکیده ندارد.