یک روش گروهی برای اتوماتای یادگیر

Publish Year: 1386
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 1,704

This Paper With 7 Page And PDF Format Ready To Download

  • Certificate
  • من نویسنده این مقاله هستم

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این Paper:

شناسه ملی سند علمی:

ACCSI13_158

تاریخ نمایه سازی: 25 آبان 1386

Abstract:

در دهه اخیر استفاده از روشهای ابتکاری و تکاملی در حل مسائل بهینه سازی، کنترل و طراحی که عموماً دارای فضاهای جستجوی چندبعدی و پیچیده می باشند، افزایش یافته است. در این مقاله یک روش جدید جستجوی گروهی که مبتنی بر اتوماتای یادگیر و بهینه سازی گروهی، می باشد، ارائه شده است. این روش که ما آن را اتوماتای یادگیر گروهی، می نامیم، می تواند بر روی هر نوع اتوماتای یادگیری پیاده سازی شود. ایده اصلی اتوماتای یادگیر گروهی، بکارگیری چندین جواب تصادفی به جای یک جواب تصادفی می باشد. زمانی که گروهی از جوابها استفاده شود، می توان از ویژگیهای گروهی که الگوریتم بهینه سازی گروهی بر مبنای آن ایجاد شده است، سود برد. برای بهره گیری از این منافع گروهی در اتوماتای یادگیر، بهترین جوابهای گروه نگهداری شده و از آنها در تقویت الگوریتم یادگیری اتوماتا، که مهمترین رکن یک اتوماتای یادگیر است، استفاده می شود. اتوماتای یادگیر گروهی، بسیار قوی تر از اتوماتای یادگیر بوده و در نواحی نامحدب با احتمال بسیار بیشتری جواب بهینه عمومی را پیدا می کند. در پایان روش گروهی ارائه شده بر روی دو مسئله تست با اتوماتای یادگیر مقایسه شده و نتایج آن که اثباتی بر کارایی اتوماتای +AF162یادگیر گروهی می باشد، آورده شده است.

Authors

منصور داودی منفرد

کارشناسی ارشد علوم کامپیوتر دانشگاه صنعتی امیرکبیر

محمدابراهیم شیری

عضو هیئت علمی دانشگاه صنعتی امیرکبیر دانشگاه صنعتی امیرکبیر

فریبا آب روشن

کارشناس علوم کامپیوتر دانشکده ریاضی و علوم کامپیوتر دانشگاه ولی عصر(ع

مراجع و منابع این Paper:

لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :
  • _ M. Loomans, H. Visser, Application of the genetic algorithm ...
  • S. Dehuri, R. Mall, Predictive and Comp rehensible rule discovery ...
  • A. Hidenori, M. Yoshibumi, Voltage and Reactive Power Control by ...
  • Y. Fukuyama, Comparative Studies of Particle Swarm Optimization Techniques for ...
  • X. Zeng, Z. Liu, A learning automata based algorithm for ...
  • Aoki, T., T. Suzuki, and S. Okuma, "Acquisition of Optimal ...
  • Gilbert, V., J. Thibault, and K. Najim, *Learning Automata for ...
  • on Adaptive systems in Control and Signal Processing, Grenoble, France, ...
  • Marsh, C., and Gordon T. J., _ Application of Learning ...
  • K. Najim, A.S. Poznyak, Learning Automata: Theory and Applications, Pergamon ...
  • A. S. Poznyak, K. Najim, Learning Automata and Stochastic Optimization, ...
  • K.S. Narendra, M.A.L. Thathachar, Learning Automata: An Introduction, Prentice Hall, ...
  • G.I. Papadimitriou, Hierarchical discredited pursuit nonlinear learning automata with rapid ...
  • R.C. Eberhart, P.K. Simpson and R.W. Dobbins (1996). Com putational ...
  • Kennedy and R.C. Eberhart (1995). Particle Swarm Optimization. Proc. IEEE ...
  • Goldberg, D.E., Genetic Algorithms in Search, Optimization, and Machine Learning. ...
  • Michalewicz, Z., Genetic Algorithms + Data Structures _ Evolution Programs. ...
  • P. Van Laarhoven and E. Aarts. Simulated Annealing: Theory and ...
  • F. Glover. Tabu Search - Part I. ORSA Journal On ...
  • J. Kennedy, and W.M. Spears. "Matching Algorithms to Problems: An ...
  • G. Venter and J. Sobie szczanski-S obieski, Particle Swarm Optimization. ...
  • I. d. F. V. Antonio, Optimization Of Nonlinear Constrained Particle ...
  • Y. Shi and R. Eberhart. A Modified Particle Swarm Optimizer. ...
  • C. E. Russell, S. Yuhui, Particle Swarm Optimization: Developments, Applications ...
  • S. Yuhui, C. E. Russell, Fuzzy Adaptive Particle Swarm Optimization, ...
  • F. Van den Bergh and A.P. Engelbrecht. A New Locally ...
  • Proceedings of IEEE International Symposium On Intelligence Control, pp. 974-979, ...
  • K. Yasuda, A. Ide and N. Iwasaki. Adaptive Particle Swarm ...
  • I. Trelea. The Particle Swarm Optimization Algorithm: Convergence Analysis and ...
  • A. IDE , K. YASUDA , A Basic Study of ...
  • Clerc M, Kennedy J. The particle _ Explosion, stability, and ...
  • S. Mikki, A. Kishk, Improved Particle Swarm Optimization Technique Using ...
  • Naruse, K., and Y. Kakazu, *Strategy Acquisition of Path Planning ...
  • Bush, R. R., and F. Mosteller, Stochastic Models for Learning, ...
  • Environment * Feedback 10 Actions ...
  • نمایش کامل مراجع