دانلود و نمایش مقالات مرتبط با استراتژی تکامل::صفحه 1
دانلود بهترین مقالات isi همراه با ترجمه فارسی 2

با سلام خدمت کاربران در صورتی که با خطای سیستم پرداخت بانکی مواجه شدید از طریق کارت به کارت (6037997535328901 بانک ملی ناصر خنجری ) مقاله خود را دریافت کنید (تا مشکل رفع گردد). 

نتیجه جستجو - استراتژی تکامل

تعداد مقالات یافته شده: 2
ردیف عنوان نوع
1 Surrogate-Assisted Evolutionary Search of Spiking Neural Architectures in Liquid State Machines
جستجوی تکاملی با کمک Surrogate از معماری عصبی اسپایک در ماشینهای حالت مایع-2020
Spiking neural networks (SNNs) are believed to be a powerful neural computation framework inspired by the vivo neurons. As a class of recurrent SNNs, liquid state machines (LSMs) are biologically more plausible models imitating the architecture and functions of the human brain for information processing. However, few LSM models can outperform conventional analogue neural networks for solving real-world classification or regression problems, which can mainly be attributed to the sensitivity of the training performance to the architecture of the reservoir and the parameters in the spiking neuron models. Most recently, many algorithms have been proposed for automated machine learning that aims to automatically design the architecture and parameters of deep neural networks without much human intervention. Although automated machine learning and neural architecture search have been extremely successful in conventional neural networks, little research on search for an optimal architecture and hyperparameters of LSMs has been reported. This work proposes on a surrogate-assisted evolutionary search method for optimization of the hyperparameters and neural architecture of the reservoir of LSMs using the covariance matrix adaptation evolution strategy (CMA-ES). For reducing the search space, the architecture of the LSM is encoded by a connectivity probability together with the hyperparameters in the spiking neuron models. To enhance the computational efficiency, a Gaussian process is adopted as the surrogate to assist the CMA-ES. The proposed GP-assisted CMA-ES is compared with the canonical CMA-ES and a Bayesian optimization algorithm on two popular datasets including image and action recognition. Our results confirm that the proposed algorithm is efficient and effective in optimizing the parameters and architecture of LSMs.
Keywords: Spiking neural network | Liquid state machine | Parameter and architecture search | Surrogate-assisted evolutionary search | Evolution strategy | Bayesian optimization | Gaussian process
مقاله انگلیسی
2 مدل سازی پیش بینی و بهینه سازی سیستم HVAC چند منطقه¬ای با داده کاوی و الگوریتم کرم شب تاب
سال انتشار: 2015 - تعداد صفحات فایل pdf انگلیسی: 10 - تعداد صفحات فایل doc فارسی: 32
این تحقیق، رویکردی داده محور برای بررسی صرفه جویی انرژی در سیستم چند منطقه¬ای تهویه مطبوع (HVAC) (گرمایش، تهویه و تهویه مطبوع) است. مدل¬های پیش بینی مصرف انرژی HVAC و شرایط محیطی مناطق متعدد توسط الگوریتم های داده کاوی ایجاد شد. دمای و رطوبت نسبی اتاق، شرایط محیطی غالب محسوب می شوند. نقطه تنظیم منبع دمای هوا و منبع فشار استاتیک هوا، دو متغیر عملیاتی سیستم های HVAC هستند و در مدل های پیش بینی برای کاهش انرژی HVAC با حفظ شرایط محیطی از پیش تعریف شده در هر منطقه، بهینه شدند. الگوریتم کرم شب تاب، الگوریتم جستجوی اکتشافی جدیدی است که برای حل مدل های پیش بینی داده محور و دستیابی به تنظیمات بهینه در مجموعه¬ی دو نقطه در صورت اعمال محدودیت های عملیاتی HVAC، مورد نیاز است. در صورت مقایسه بین الگوریتم کرم شب تاب با بهینه سازی ازدحام ذرات و استراتژی تکاملی، مزایای الگوریتم کرم شب تاب در حل مشکل بهینه سازی پیشنهادی اثبات می¬شود. در مطالعات محاسباتی، صرفه جویی در انرژی HVAC در چارچوب مبتنی بر داده پیشنهادی مورد بررسی قرار گرفت. آنالیز حساسیت پتانسیل صرفه جویی انرژی بر مبنای انواع مختلف محدودیت شرایط محیطی انجام شد.
کلمات کلیدی: حفاظت از انرژی | مدل سازی داده محور | HVAC چند منطقه ای | الگوریتم کرم شب تاب | عملیات پیش بینی شده
مقاله ترجمه شده
rss مقالات ترجمه شده rss مقالات انگلیسی rss کتاب های انگلیسی rss مقالات آموزشی
logo-samandehi
بازدید امروز: 2148 :::::::: بازدید دیروز: 0 :::::::: بازدید کل: 2148 :::::::: افراد آنلاین: 63