جی آی اس و الگوریتم زنبور عسل

الگوریتم زنبور شامل گروهی مبتنی بر الگوریتم جستجو است که اولین بار در سال 2005 توسعه یافت ؛ این الگوریتم شبیه سازی رفتار جستجوی غذای گروههای زنبور عسل است. در نسخه ابتدایی این الگوریتم، الگوریتم نوعی از جستجوی محلی انجام می دهد که با جستجوی کتره ای (Random) ترکیب شده و می تواند برای بهینه سازی ترکیبی {زمانی که بخواهیم چند متغیر را همزمان بهینه کنیم.}یا بهینه سازی تابعی به کار رود.

الگوریتم زنبور هر نقطه را در فضای پارامتری_ متشکل از پاسخ های ممکن_به عنوان منبع غذا تحت بررسی قرار می دهد."زنبور های دیده بان"_ کارگزاران شبیه سازی شده _به صورت کتره ای (Random) فضای پاسخ ها را ساده می کنند و به وسیله ی تابع شایستگی کیفیت موقعیت های بازدید شده را گزار ش می دهند. جواب های ساده شده رتبه بندی می شوند، و دیگر "زنبورها" نیروهای تازه ای هستند که فضای پاسخ ها را در پیرامون خود برای یافتن بالا ترین رتبه محل ها جستجو می کنند(که "گلزار" نامیده می شود) الگوریتم به صورت گزینشی دیگر گلزار ها را برای یافتن نقطه ی بیشینه ی تابع شایستگی جستجو می کند.

 

برای انجام طرح و تحقیق و پایان نامه بااستفاده از این مدل در محیط GIS با شماره همراه و یا ایمیل ذکر شده در این وبلاگ تماس بگیرید.

 

جی آی اس و الگوریتم جهش ترکیبیِ قورباغه (SFLA)

 یک الگوریتم مبتنی بر ممتیک متاهیوریستیک است. این الگوریتم در سال­های اخیر توسط Eusuff و Lansey ایجاد شد. الگوریتم SFLA از نحوه­ی جستجوی غذای گروه­ های­ قورباغه­ سرچشمه می­گیرد. این الگوریتم برای جستجوی محلی میان زیرگروه­­های قورباغه از روش نمو ممتیک استفاده می­کند. SFLA  از استراتژیِ ترکیب استفاده می­کند و امکان مبادله پیام در جستجوی محلی را فراهم می­سازد. این الگوریتم مزایای الگوریتم نمو ممتیک و بهینه ­سازیِ گروه ذرات (PSO) را ترکیب می­کند. در SFLA نه تنها در جستجوی محلی بلکه در جستجوی سراسری نیز پیام­ها مبادله می­شوند. بدین ترتیب جستجوی محلی و سراسری به خوبی در این الگوریتم ترکیب می­شوند. جستجوی محلی امکان انتقال مم را میان افراد ممکن می­سازد و استراتژیِ ترکیب امکان انتقال مم را میان کل جمعیت ممکن می­سازد. مانند الگوریتم ژنتیک (GA) و بهینه ­سازی گروه ذرات (PSO) الگوریتم جهش ترکیبیِ قورباغه یک الگوریتم بهینه­ سازیِ مبتنی بر کولونی است. SFLA قابلیت بالایی برای جستجوی سراسری دارد و پیاده ­سازیِ آن آسان است. الگوریتم SFLA می­تواند بسیاری از مسائل غیرخطی، غیرقابل­تشخیص  و چندحالته  را حل کند. 

الگوریتم SFLA ترکیب روش قطعی و روش تصادفی است. روش قطعی به الگوریتم امکان می­دهد تا پیام­ها را به صورت کارایی مبادله کند. روش تصادفی انعطاف­پذیری و مقاومت الگوریتم را تضمین می­­کند. الگوریتم با انتخاب تصادفی گروه ­های قورباغه شروع می­شود. گروه­های قورباغه به چندین زیرگروه تقسیم می­شوند. هر یک از این زیرگروه­ها می­توانند جستجوی محلی را به صورت مستقل و با روش­ متفاوتی انجام دهند. قورباغه­های موجود در یک زیرگروه می­توانند بر روی سایر قورباغه ­های موجود در همان زیرگروه اثر بگذارند. بدین تریب قورباغه­ های موجود در یک زیرگروه تکامل می­یابند. تکامل ممتیک کیفیت ممتیکِ قورباغه­ های منفرد را بهبود و قابلیت دستیابی به هدف را افزایش می­دهد. برای رسیدن به یک هدف خوب می­توان وزنِ قورباغه­ ها­ی خوب را افزایش و وزن قورباغه ­های بد را کاهش داد. بعد از تکامل برخی از ممتیک­ها، زیرگروه­ها با هم ترکیب می­شوند. بواسطه­ی ترکیب ممتیک­ها در حوزه­ی سراسری بهینه می­شوند و بوسیله­  مکانیزم ترکیب زیرگروه­های قورباغه­  جدیدی ایجاد می­شود. ترکیب، کیفیتِ ممتیک­هایی که تحت تاثیرِ زیرگروه­های مختلف قرار می­گیرند را افزایش می­دهد. جستجوی محلی و جستجوی سراسری تا برآورده شدن شرط همگرایی ترکیب می­شوند. توازن بین مبادله پیام سراسری و جستجوی محلی به الگوریتم امکان می­دهد تا به راحتی از مینیمم محلی پرش کند  و تا دستیابی به بهینه­ سازی توسعه یابد. یکی از خصیصه­ های  الگوریتم SFLA همگرایی سریع آن است.

 

 

برای انجام طرح و تحقیق و پایان نامه بااستفاده از این مدل در محیط GIS با شماره همراه و یا ایمیل ذکر شده در این وبلاگ تماس بگیرید.

جی آی اس و الگوريتم دسته ماهي هاي مصنوعي (AFSA)

الگوريتم دسته ماهي هاي مصنوعي (AFSA) يك مدل محاسباتي تكاملي است كه مبتني بر الگوريتم هاي هوش جمعي و بر گرفته شده از طبيعت مي باشد.عملكرد اين الگوريتم بر اساس جستجوي تصادفي است

الگوریتم دسته‌ی ماهی‌هاي مصنوعی یکی از الگوریتم‌هاي هوش جمعی است که بر اساس جمعیت و جستجوي تصادفی کار می‌کند. این الگوریتم در سال 2002 توسط دکتر Li Xiao Lei ارائه گردید. اساس کار AFSA از روي رفتارهاي اجتماعی ماهی‌ها برگرفته شده و بر مبناي جستجوي تصادفی، جمعیت و رفتارگرایی کار می‌کند. این الگوریتم داراي خصوصیاتی از جمله سرعت همگرایی بالا، حساس نبودن به مقادیر اولیه‌ی ماهی‌هاي مصنوعی، انعطاف‌پذیري و تحمل‌پذیري خطا میباشد که آن را براي حل مسائل بهینه‌سازي قابل قبول می‌کند.

اساس کار AFSA   بر پایه‌ی توابعی است که از رفتارهاي اجتماعی دسته‌ی ماهی‌ها در طبیعت برگرفته شده‌اند. در دنیاي زیر آب، ماهی‌ها می‌توانند مناطقی را پیدا کنند که داراي غذاي بیشتري است، که این امر با جستجوي فردي یا گروهی ماهی‌ها محقق می‌شود. مطابق با این ویژگی، مدل ماهی مصنوعی با رفتارهاي حرکت آزادانه، جستجوي غذا، حرکت گروهی و دنباله‌روي ارائه شده است که به وسیله‌ی آنها فضاي مسئله جستجو می‌شود.

 

برای انجام طرح و تحقیق و پایان نامه بااستفاده از این مدل در محیط GIS با شماره همراه و یا ایمیل ذکر شده در این وبلاگ تماس بگیرید.

 

 

 

جی آی اس و شبکه عصبی انجمنی

شبکه عصبی انجمنی به منظور ذخیره داده‌ها و به خصوص تصاویر متناظر یا هم معنی با محتوا طراحی شده اند. رفتار این شبکه عصبی که با نام انگلیسی associative memory شناخته می‌شود شبیه به حافظه انسان است. شما به فوتبال فکر می‌کنید و بلافاصله پرچم تیم دلخواهتان در ذهنتان نقش می‌بندد. شبکه عصبی انجمنی به ازای یک تصویر یا ورودی  باید یک تصویر هم معنی یا هر چیز دیگر را به طور کامل شبیه سازی کرده و به خروجی ببرد. ابن شبکه عصبی در کاربردهای تداعی کردن اشیا و یا شبیه سازی حافظه بسیار پرکاربرد است. در سال‌های اخیر نسخه‌های بسیار قوی و با حافظه بالا(در تئوری بی‌نهایت) نیز به اسم MBAM طراحی و ساخته شده اند.

 

برای انجام طرح و تحقیق و پایان نامه بااستفاده از این مدل در محیط GIS با شماره همراه و یا ایمیل ذکر شده در این وبلاگ تماس بگیرید.

 

 

جی آی اس و َشبکه عصبی خود سازمان‌ده

شبکه عصبی رقابتی یا خود سازمان‌ده، نمونه‌ای دیگر از شبکه‌ عصبی‌های پرکاربرد هستند که با هدف خوشه‌بندی هوشمند طراحی شده‌اند. برای مثال چندین تصویر و 4 رده دارید ولی قادر به جداسازی تصاویر به طور دستی نیستید. این شبکه براساس ویزگی‌های هر تصویر و هر رده ارتباطی بین ورودی و خروجی پیدا کرده و از این به بعد نمونه های جدید را براین اساس سازماندهی می‌کند. نام رقابتی به این دلیل برای این شبکه عصبی برگزیده شده است که هر نرون برای تصاحب نمونه ورودی بیشتر باید با دیگر نرون‌ها رقابت کرده و مکان خود را تا حد امکان تغییر دهد. در عین رقابت باید یک تعامل نیز بین نرون‌ها برای ارتباط بین رده‌ها و یا عدم ارتباط برقرار شود. معروف‌ترین شبکه عصبی خود سازمان‌ده شبکه عصبی کوهونن یا Kohonen است.

 

برای انجام طرح و تحقیق و پایان نامه بااستفاده از این مدل در محیط GIS با شماره همراه و یا ایمیل ذکر شده در این وبلاگ تماس بگیرید.

جی آی اس و شبکه عصبی بولتزمن

بکه عصبی بولتزمن که در اواخر صده 1900 رو به فراموشی بود پس از احیای الگوریتم همگرایی و افزایش فوق العاده سرعت آموزش، سریع به یک مدل پرمخاطب تبدیل شد، تا جایی که مدل‌های پیچیده یادگیری عمقی(عمیق) یا deep learning براساس آن ابداع شدند.

شبکه عصبی بولتزمن برخلاف شبکه پس انتشار دارای یک لایه است و وزن‌های میانی دارای معنی هستند. همین ویژگی بولتزمن باعث شد که شبکه‌های عمیق به وجود آمده و بتوان بر روی وزن‌های میانی یک شبکه بولتزمن دیگر آموزش داد. اساس کار این شبکه فراگیری توزیع داده‌های ورودی و ارتباط ان با خروجی نمونه‌هاست به نحوی که نمونه‌های جدید ورودی با توزیع استخراج شده با حداقل خطا بتوانند به تولید الگوی خروجی بپردازند.

برای انجام طرح و تحقیق و پایان نامه بااستفاده از این مدل در محیط GIS با شماره همراه و یا ایمیل ذکر شده در این وبلاگ تماس بگیرید.