طبقه بندی برنامه نویسی درحال تکامل ژنتیک بااستفاده از روش NS
طبقه بندی برنامه نویسی درحال تکامل ژنتیک بااستفاده از روش NS
NS روش منحصر به فردی برای جستجو و بهینه‌سازی در جاهایی محسوب می‌شود که تابع هدف صریح و روشن با اندازه‌گیری راه‌حل نوظهور جایگزین می‌شود. با این وجود، NS عموما در رباتیک تکاملی مورد استفاده قرار می‌گیرد چرا که کارایی آن در مشکلات یادگیری ماشین‌های کلاسیک هنوز کشف نشده است. این مقاله الگوریتم برنامه نویسی‌ژنتیک مبتنی بر NSای را برای دسته‌بندی نظارتی ارائه می‌دهد. نتایج این مقاله نشان می‌دهد که NS به واقع می‌تواند موضوعات مربوط به دسته‌بندی‌های جهان واقعی را حل کند چرا که الگوریتم به کار رفته در آن بر اساس معیارهای جهان واقعی و برای مشکلات دوگانه یا چند گانه ایجاد شده است. این نتایج با استفاده از دامنه خاص توصیف رفتار امکان پذیر شده‌است. علاوه بر این، دو نسخه ی جدید از الگوریتم های NS یعنی NS احتمالی (PNS) و NS نوع دیگری از معیارهای حداقل ارائه شده‌اند. مدل اول رفتار هر راه حل را به عنوان بردار تصادفی شبیه‌سازی می‌کند و در حالی که سربار محاسباتی الگوریتم NS را کاهش می‌دهد، تمامی پارامترهای اصلی NS را تخفیف می‌دهد. مدل دوم نیز با استفاده از یک تابع هدف استاندارد سعی می‌کند تا مانع جستجو برای راه‌حلی با کارایی بالا شود. این مقاله همچنین به بحث در مورد اثر جستجو دینامیک و رشد کد NS و GP می‌پردازد. نتایج بدست آمده نشان می‌دهد که NS می‌تواند به عنوان جایگزینی واقعی برای دسته‌بندی نظارتی و به ویژه برای مشکلات دوگانه‌ای که الگوریتم NS آن‌ها توانایی کنترل نفخ ضمنی را به نمایش می‌گذارد مورد استفاده قرار می‌گیرد.
بهینه سازی محلی و جهانی برای سیستم فازی تاکاگی ــ سوگنو توسط برنامه ریزی ژنتیکی ممتیک (تقلیدی)
Local and global optimization for Takagi–Sugeno fuzzy system by memetic genetic programming
بهینه سازی محلی و جهانی برای سیستم فازی تاکاگی ــ سوگنو توسط برنامه ریزی ژنتیکی ممتیک (تقلیدی)
این مقاله روشی را برای اعمال یادگیری استاندارد عصبی- فازی برای سیستم های فازی تاگاشی- سوگنو که تحت چارچوب یک برنامه نویسی ژنتیک (GP) دستور زبان محور تکامل یافته را ارائه می‌کند. این امر با معرفی هتروگلاسی در گره‌های GP اساسی امکان پذیر می‌شود و به آن ها توانایی تغییر رفتار بر‌اساس مرحله‌ی یادگیری مورد نظر را می‌دهد. گرامر فاقد متن از بیان اندازه‌ی قراردادی و سیستم‌های فازی مرکب پشتیبانی می‌کند و سیر تکامل را رهبری می‌کند. از حداقل مربعات بازگشتی و الگوریتم نزولی افت انتشار به عقب نیز در روش‌های تحقیق محلی استفاده شد. نسل دوم روش‌های ممتیک شامل برنامه نویسی ژنتیک با استفاده از روند تحقیقات محلی می‌باشد. این مقاله به موارد زیر پرداخته است: (الف)معرفی روش مورد نظر که به کارگیری یادگیری تحقیقات محلی‌در سیستم‌های هوشمند ایجاد‌شده توسط برنامه‌نویسی ژنتیکی را شامل می‌شود. (ب)معرفی مدل برای یادگیری ممتیک سیستم‌های فازی تاکاشی – سوگنو؛ (ج)نتایج تجربی‌ای که متغیرهای مدل را مورد ارزیابی قرار می‌دهند و به مقایسه‌ی مدل با مدل‌های هنری مبنا و مشکلات دنیای واقعی می‌پردازد (د) به کارگیری مدل پیشنهادی تحت کنترل.
ادامه مطلب ...