زمانبندی وظایف در رایانش ابری و محاسبات مه با الگوریتم فراابتکاری WOA و ترکیب آن با الگوریتم ژنتیک (GA) و کلونی مورچه (ACO)
تعریف مساله با توسعه سریع فناوریهای اینترنت اشیا (IoT)، محاسبات مه به عنوان توسعهای برای محاسبات ابری که به گرههای مه با منابع توزیع شده در لبه شبکه متکی است، پدیدار شد. گرههای مه فرصتهای
تنظیم بهینه پارامترهای روش خوشه بندی DBSCAN با الگوریتم های فراابتکاری
روش خوشه بندی DBSCAN دارای دو پارامتر اساسی به نام های MinPts و Eps است که برای هر دیتاست باید متناسب با چگالی و پراکندگی نمونه های آن مجموعه داده بصورت درستی تعیین گردد که
افزایش و ماکزیمم سازی طول عمر شبکه های حسگر بی سیم (WSN) با استفاده از الگوریتم بهینه سازی ازدحام ذرات (PSO)
بهینه سازی ازدحام ذرات (PSO) یک الگوریتم محبوب الهام گرفته از رفتار زیستی پرندگان است که برای حل مسائل مختلف بهینه سازی در بسیاری از زمینه ها از جمله هوش ماشینی، داده کاوی، روباتیک و
آموزش شبکه عصبی چند لایه (MLP) با استفاده از الگوریتم یادگیری پس انتشار (Back propagation learning) بدون استفاده از تولباکس متلب
تعریف پروژه: ما در این پست، کد متلب شبکه عصبی چند لایه را روی مجموعه داده MNIST و همچنین XOR فراهم کرده ایم. ما در این پروژه این مدل شبکه عصبی را بدون استفاده از
بهینه سازی توابع محک CEC2005 با استفاده از یک الگوریتم فراابتکاری جدید مبتنی بر یادگیری تقویتی
تاکنون الگوریتم های فراابتکاری متعددی برای مسائل بهینه سازی مختلف معرفی شده است. در الگوریتم های فراابتکاری ایجاد تعادل بین اکتشاف(Exploration) و بهره برداری(Exploitation) یک چالش مهم و تاثیر گذار در عملکرد الگوریتم است. در
حل مسئله فروشنده دوره گرد(TSP) با الگوریتم کلونی مورچه(ACO)
در این پست یک مساله واقعی مبتنی بر مساله فروشنده دوره گرد را با الگوریتم کلونی مورچگان حل می نماییم. برای حل آن از نرم افزار متلب(Matlab) استفاده کرده ایم. تعریف مسئله فرض کنید می