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).
ردیف | عنوان | نوع |
---|---|---|
1 |
Secondary User Experience-oriented Resource Allocation in AI-empowered Cognitive Radio Networks Using Deep Neuroevolution
تخصیص منابع کاربر گرا ثانویه در شبکه های رادیویی شناختی دارای هوش مصنوعی با استفاده از تکامل عصبی عمیق-2020 Secondary user (SU)-experience-oriented resource
allocation (RA) will become increasingly important in cognitive
radio networks (CRNs) in future wireless networks. For efficient
real-time processes, cognitive radios (CRs) are usually combined
with artificial intelligence (AI) to improve better adaptation and
intelligent RA. However, deep learning (DL), which is a key
AI strategy with remarkable capabilities towards advancing this
vision, has several built-in limitations. Firstly, the most successful
DL applications require training with large amounts of data;
secondly, they assume that the data samples to be independent,
while in CRNs one typically encounters sequences of highly
correlated states. To circumvent this issue, this paper introduces
a deep neuroevolution (DNE) technique for dynamic RA. Using
this technique, a stable learning framework was achieved by
introducing the phenotypic plasticity of transmission rates and
delay constraints inside a multi-layer perceptron (MLP). The
stability of SU satisfaction as they increased in number was
achieved at 36 SUs, which is a 13.3% decrease from when they
were only 6 SUs in the CRN for all learning mechanisms. Keywords: Secondary user | Artificial intelligence| Cognitive radio networks | Ant colony optimization | Logistic regression | Multilayer perceptron | Deep Q-network | Deep neuroevolution |
مقاله انگلیسی |
2 |
Enhanced resource allocation in mobile edge computing using reinforcement learning based MOACO algorithm for IIOT
تخصیص منابع پیشرفته در محاسبات لبه تلفن همراه با استفاده از الگوریتم MOACO مبتنی بر یادگیری تقویت کننده برای IIOT-2020 The Mobile networks deploy and offers a multiaspective approach for various resource allocation paradigms
and the service based options in the computing segments with its implication in the Industrial Internet of Things
(IIOT) and the virtual reality. The Mobile edge computing (MEC) paradigm runs the virtual source with the
edge communication between data terminals and the execution in the core network with a high pressure load.
The demand to meet all the customer requirements is a better way for planning the execution with the support
of cognitive agent. The user data with its behavioral approach is clubbed together to fulfill the service type for
IIOT. The swarm intelligence based and reinforcement learning techniques provide a neural caching for the
memory within the task execution, the prediction provides the caching strategy and cache business that delay
the execution. The factors affecting this delay are predicted with mobile edge computing resources and to
assess the performance in the neighboring user equipment. The effectiveness builds a cognitive agent model to
assess the resource allocation and the communication network is established to enhance the quality of service.
The Reinforcement Learning techniques Multi Objective Ant Colony Optimization (MOACO) algorithms has
been applied to deal with the accurate resource allocation between the end users in the way of creating the
cost mapping tables creations and optimal allocation in MEC Keywords: Mobile edge computing | Industrial IOT | Reinforcement learning | Multi objective ant colony optimization | Resource allocation | Cognitive agent |
مقاله انگلیسی |
3 |
تشخیص لبه برمبنای بهینه سازی کلونی مورچه ها در تصاویر SAR
سال انتشار: 2018 - تعداد صفحات فایل pdf انگلیسی: 5 - تعداد صفحات فایل doc فارسی: 13 پردازش تشخیص شیء/ هدف به دلیل وجود خالهایی در تصاویر SAR دشوار است که دقت شعاع سنجی و هندسی بالایی را مستقل از همه شرایط جوّی فراهم می کند. با استفاده از روش تشخیص لبه ای که اطلاعات مهمی را از تصویر استخراج می کند، دستیابی به دقت بالاتر و پردازش کمتر تصویر SAR برای تشخیص شیء ازطریق حذف این خالها امکانپذیر می باشد. الگوریتم کُلُنی مورچه ای که یکی از روشهای بهینه سازی اکتشافی می باشد یک الگوریتمی برمبنای مدلهای ریاضی رفتارهای واقعی کلنی مورچه ای می باشد. در ناحیه پردازش تصویر، بهینه سازی کلنی مورچه ای سهم موثری در برخی روشها مثل تشخیص شیء/ هدف در تصاویر خاص با استفاده از روش تشخیص لبه ای دارد. هدف ما استفاده از تشخیص لبه ای برمبنای بهینه سازی کلنی مورچه ای که یک روش موثر بهینه سازی می باشد برای حذف خالهایی است که تشخیص شیء را در تصاویر SAR دشوار می سازند.
کلیدواژه ها: تصویر SAR | تشخیص لبه ای | بهینه سازی کلونی مورچه ها | الگوریتم کلونی مورچه ها | بهینه سازی مکاشفه ای |
مقاله ترجمه شده |
4 |
Ant colony optimization based hierarchical multi-label classification algorithm
الگوریتم طبقه بندی چند برچسبی سلسله مراتبی مبتنی بر بهینه سازی کلونی مورچه ها-2017 There exist numerous state of the art classification algorithms that are designed to handle the data with
nominal or binary class labels, where a sample belongs to only a single class label. In these problems,
known as flat classification problems, class labels are independent of each other. Unfortunately, on the
other hand, less attention is given to the genre of classification problems where samples may belong to
several classes and at the same time the class labels are organized based on a structured hierarchy; such
as gene ontology, protein function prediction, test scores, web page categorization, text categorization
etc. This article presents a novel Ant Colony Optimization based hierarchical multi-label classification
algorithm that can handle such a complex instance of classification problems and can incorporates the
given class hierarchy during its learning phase. The algorithm produces IF-THEN ordered rule list to learn
a comprehensible model which can easily be verified by experts. It exploits positive correlation between
the domain values of two related attributes to improve the discrimination power of resultant classifica
tion model, up to a significant level. The paper contains rich details regarding hierarchical single label
(or single path) and multi-label classification problems and different categories of corresponding solu
tions. The proposed method is evaluated on sixteen most challenging bioinformatics datasets; some of
these containing hundreds of attributes and thousands of class labels. At the end, the proposed method is
compared with four recent state of the art hierarchical multi-label classification algorithms. The empir
ical evaluation confirms the promising ability of the proposed technique for hierarchical multi-label
classification task.
Keywords: Hierarchical multi-label classification | Ant colony optimization | Hierarchical single label classification | Bioinformatics data sets with gene | ontology and FunCat | Protein function prediction | Correlation based IF-THEN rule list | HmAntMiner-C |
مقاله انگلیسی |
5 |
حل مسئله رنگ آمیزی رئوس با الگوریتم سلولی مورچه
سال انتشار: 2013 - تعداد صفحات فایل pdf انگلیسی: 8 - تعداد صفحات فایل doc فارسی: 13 مسئله ی رنگ آمیزی گراف (GCP) یکی از مسائل بهینه سازی ترکیبی است که بسیار مورد مطالعه قرار گرفته است. شکل ساده ی آن رنگ آمیزی رأس نامیده می شود. که در تئوری و در عمل بسیار مهم است. الگوریتم سلولی مورچه سعی در حل مسئله رنگ آمیزی گراف- رنگ آمیزی رأس دارد. الگوریتم سلولی مورچه یک روش بهینه سازی جدید برای حل مسائل واقعی با استفاده از هردو مورد نقش تکاملی سلولی، تئوری گراف و ویژگی های بهینه سازی کلونی مورچه ها می باشد. مطالعه ی تجربی الگوریتم مورچه سلولی همچنین بر اساس معیارهای چالشی DIMACS انجام شده است. نتایج محاسباتی نشان می دهند که الگوریتم مورچه سلولی برای مسئله ی رنگ آمیزی گراف قابل انجام و قدرتمند است.
واژه های کلیدی: الگوریتم مورچه سلولی | مسئله رنگ آمیزی گراف (GCP) | تئوری گراف | مسئله رنگ آمیزی رنگ (VCP) |
مقاله ترجمه شده |
6 |
زمانبندی کار ابری بر اساس بهینه سازی مورچگان
سال انتشار: 2013 - تعداد صفحات فایل pdf انگلیسی: 6 - تعداد صفحات فایل doc فارسی: 23 محاسبات ابری، توسعه محاسبات توزیع شده ، محاسبات موازی و محاسبات گیرید، و یا به عنوان پیاده سازی تجاری این مفاهیم علوم کامپیوتر، می باشد. یکی از مسائل اساسی در این محیط ،مربوط به زمانبندی کار است. زمانبدی کار در محیط ابر، یک مسئله بهینه سازی NP-hard است، و بسیاری از الگوریتم های فرا اکتشافی پیشنهاد شده است که آن را حل کند. یک زماننبد خوب کار باید استراتژی زماننبدی را به محیط در حال تغییر و انواع کارها، منطبق نماید. در این مقاله یک سیاست زماننبدی کار ابر بر اساس الگوریتم بهینه سازی کلونی مورچه ها در مقایسه با الگوریتم های زمانبندی مختلف FCFS و round-robin، معرفی شده است. هدف اصلی از این الگوریتم این است که به حداقل رساندن makespan مجموعه کارهای داده شده است. بهینه سازی کلونی مورچه ها ،روش جستجو بهینه سازی تصادفی است که برای تخصیص برای کارهای وارده به ماشین های مجازی، استفاده می شود. الگوریتم ،با استفاده از بسته ابزار Cloudsim شبیه سازی شده است. نتایج تجربی،نشان داد ه است که بهینه سازی کلونی مورچه ها عملکرد بهتری نسبت به الگوریتم های FCFSو round-robin داشته است.
کلمات کلیدی: محاسبات ابری | زماننبدی کار | makespan | بهینه سازی کلونی مورچه | CloudSim |
مقاله ترجمه شده |