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 |
کارایی بیت کوین: یک رویکرد برنامه نویسی ژنتیکی قوی برای بازارهای الکترونیکی هوشمند بیت کوین
سال انتشار: 2021 - تعداد صفحات فایل pdf انگلیسی: 14 - تعداد صفحات فایل doc فارسی: 47 از زمانی که بیت کوین برای اولین بار توسط ساتوشی ناکاموتو در سال 2008 پیشنهاد شد، ارزهای دیجیتال توجه زیادی را به خود جلب کردند و پتانسیل ایفای نقش مهمی در تجارت الکترونیک را برجسته کردند. با این حال، اطلاعات نسبتا کمی در مورد ارزهای دیجیتال، رفتار قیمتی آنها، سرعت ترکیب اطلاعات جدید و کارایی بازار مربوطه آنها وجود دارد. برای گسترش ادبیات فعلی در این زمینه، ما چهار بازار هوشمند بیت کوین الکترونیکی را با انواع مختلف معامله گران با استفاده از یک فرم تطبیقی خاص از الگوریتم یادگیری مبتنی بر برنامه نویسی ژنتیکی تایپ شده قوی (STGP) توسعه می دهیم. ما تکنیک STGP را برای داده های تاریخی بیت کوین در فرکانس های یک دقیقه و پنج دقیقه اعمال می کنیم تا شکل گیری پویایی بازار بیت کوین و کارایی بازار را بررسی کنیم. از طریق انبوهی از روشهای تست قوی، متوجه میشویم که هر دو بازار بیتکوین پر از معاملهگران با فرکانس بالا (HFT) در فرکانس یک دقیقه کارآمد هستند اما در فرکانس پنج دقیقه ناکارآمد هستند. این یافته از این استدلال حمایت می کند که در فرکانس یک دقیقه سرمایه گذاران می توانند اطلاعات جدید را به شیوه ای سریع و منطقی ترکیب کنند و از نویز مرتبط با فرکانس پنج دقیقه رنج نبرند. ما همچنین با نشان دادن اینکه معاملهگران با هوش صفر نمیتوانند به کارایی بازار برسند، به ادبیات تجارت الکترونیک کمک میکنیم، بنابراین شواهدی علیه فرضیه هی ارائه میکنیم. یکی از پیامدهای عملی این مطالعه این است که ما نشان میدهیم که متخصصان تجارت الکترونیک میتوانند از ابزارهای هوش مصنوعی مانند STGP برای انجام پروفایل بازار مبتنی بر رفتار استفاده کنند.
کلمات کلیدی: هوش مصنوعی | بازارهای الکترونیک هوشمند | تجارت بیت کوین | ارزهای دیجیتال | محاسبات تکاملی | کارایی بازار |
مقاله ترجمه شده |
2 |
Implementation of nature-inspired optimization algorithms in some data mining tasks
اجرای الگوریتم های بهینه سازی با الهام از طبیعت در برخی از کارهای داده کاوی-2019 Data mining optimization received much attention in the last decades due to introducing new optimization
techniques, which were applied successfully to solve such stochastic mining problems. This paper
addresses implementation of evolutionary optimization algorithms (EOAs) for mining two famous data
sets in machine learning by implementing four different optimization techniques. The selected data sets
used for evaluating the proposed optimization algorithms are Iris dataset and Breast Cancer dataset. In
the classification problem of this paper, the neural network (NN) is used with four optimization techniques,
which are whale optimization algorithm (WOA), dragonfly algorithm (DA), multiverse optimization
(MVA), and grey wolf optimization (GWO). Different control parameters were considered for
accurate judgments of the suggested optimization techniques. The comparitive study proves that, the
GWO, and MVO provide accurate results over both WO, and DA in terms of convergence, runtime, classification
rate, and MSE. Keywords: Data mining | Optimization | Evolutionary computation | Multi-layer perceptron | Metaheuristics |
مقاله انگلیسی |
3 |
An evolutionary framework for machine learning applied to medical data
یک چارچوب تکاملی برای یادگیری ماشین که برای داده های پزشکی کاربرد دارد-2019 Supervised learning problems can be faced by using a wide variety of approaches supported in
machine learning. In recent years there has been an increasing interest in using the evolutionary
computation paradigm as a search method for classifiers, helping the applied machine learning
technique. In this context, the knowledge representation in the form of logical rules has been one
of the most accepted machine learning approaches, because of its level of expressiveness. This paper
proposes an evolutionary framework for rule-based classifier induction. Our proposal introduces
genetic programming to build a search method for classification-rules (IF/THEN). From this approach,
we deal with problems such as, maximum rule length and rule intersection. The experiments have
been carried out on our domain of interest, medical data. The achieved results define a methodology
to follow in the learning method evaluation for knowledge discovery from medical data. Moreover, the
results compared to other methods have shown that our proposal can be very useful in data analysis
and classification coming from the medical domain. Keywords: Machine learning | Logical rule induction | Data mining | Supervised learning | Evolutionary computation | Genetic programming | Ensemble classifier | Medical data |
مقاله انگلیسی |
4 |
A distributed evolutionary multivariate discretizer for Big Data processing on Apache Spark
یک توزیع تکاملی چند متغیره برای پردازش داده های بزرگ در Apache Spark-2018 Nowadays the phenomenon of Big Data is overwhelming our capacity to extract relevant knowledge through
classical machine learning techniques. Discretization (as part of data reduction) is presented as a real solution to
reduce this complexity. However, standard discretizers are not designed to perform well with such amounts of
data. This paper proposes a distributed discretization algorithm for Big Data analytics based on evolutionary
optimization. After comparing with a distributed discretizer based on the Minimum Description Length
Principle, we have found that our solution yields more accurate and simpler solutions in reasonable time.
Keywords: Discretizacion , Evolutionary computation , Big Data , Data Mining , Apache Spark |
مقاله انگلیسی |
5 |
یک سیستم کلونی مورچه ها صرفه جویی کننده انرژی برای جاگذاری ماشین مجازی در محاسبات ابری
سال انتشار: 2018 - تعداد صفحات فایل pdf انگلیسی: 16 - تعداد صفحات فایل doc فارسی: 63 جاگذاری ماشینی مجازی (VMP) و بهره وری انرژی، موضوعات قابل توجهی در تحقیقات حوزه محاسبات ابری هستند. در این مقاله، از محاسبات تکاملی برای VMP و جهت به حداقل رساندن تعداد سرورهای فیزیکی فعال به منظور زمان بندی سرورهای کمتر ازحد کافی استفاده شده، برای صرفه جویی در انرژی استفاده می شود. با الهام از عملکرد نویدبخش الگوریتم سیستم کلونی مورچه ای (ACS) برای مسائل ترکیبی، یک دیدگاه مبتنی بر ACS جهت دستیابی به هدف VMP توسعه می یابد. الگوریتم حاصل که به صورت جفت شده با روشهای جستجوی موضعی تبادل ترتیب و مهاجرت (OEM) می باشد، یک OEMACS نامیده می شود. این الگوریتم به صورت موثری تعداد سرورهای فعال استفاده شده برای جاگذاری ماشین های مجازی (VMs) را از یک نقطه نظر بهینه سازی عمومی و ازطریق یک راهبرد جدید برای انتشار فرومون که مورچه های مصنوعی را به سمت راه حل های نویدبخشی که ماشین های مجازی داوطلب را گروه بندی می کنند، هدایت می کند، به حداقل می رساند. از OEMACS برای مسائل مختلف VMP که دارای اندازه های مختلفی برای ماشین مجازی در محیط های ابری سرورهای همگن و ناهمگن هستند استفاده می شود. نتایج نشان می دهد که OEMACS عموما" نسبت به دیدگاههای سنتی غیرمستدل و سایر دیدگاههای مبتنی بر تکامل، عملکرد بهتری به ویژه روی VMP هایی با خصوصیات منابع تنگراهی دارد، و صرفه جویی های قابل توجهی از انرژی و نیز استفاده کارآمدتر از منابع مختلف را به ارمغان می آورد.
کلمات شاخص : سیستم کلونی مورچه ها | محاسبات ابری | جاگذاری ماشین مجازی |
مقاله ترجمه شده |
6 |
Active control for traffic lights in regions and corridors: an approach based on evolutionary computation
کنترل فعال برای چراغ های راهنمایی در مناطق و راهرو: یک رویکرد مبتنی بر محاسبات تکاملی-2017 The growth of vehicles’ fleet circulating on urban streets constitutes a very strong tendency in recent years. The main
consequence of this phenomenon refers to the increase of urban congestions, of average delays caused by vehicles waiting on
traffic lights and of number of stops. Finding strategies to achieve efficient active traffic control in urban centers is a challenge
for engineers and analysts. Recently, important research on dynamic networks and Intelligent Transportation Systems using
computational intelligence modeling techniques has been done. This paper proposes a new scheme of active control, using
optimization algorithms, to dynamically find traffic signal control plans that optimize traffic conditions in delimited networks and
corridors. The proposed system includes a time delay predictive model, used in conjunction with evolutionary approaches like
genetic algorithms and differential evolution techniques. Conceptual and applied computational representations necessary for the
construction of models are presented. Data collected from a big city in Brazil were fed into the commercial microscopic
simulator AIMSUN and were used for the practical experiments. Two main experiments were undertaken and statistically
compared in order to decide which method is more efficient in optimizing the active traffic signal timing control for the region
under study.
Keywords: intelligent transportation systems | traffic lights programming | evolutionary algorithms | optimization | active traffic control |
مقاله انگلیسی |
7 |
Flocking based evolutionary computation strategy for measuring centrality of online social networks
استراتژی محاسبات تکاملی مبتنی بر Flocking برای اندازه گیری مرکزیت شبکه های اجتماعی آنلاین-2017 Centrality in social network is one of the major research topics in social network analysis. Even though
there are more than half a dozen methods to find centrality of a node, each of these methods has some
drawbacks in one aspect or the other. This paper analyses different centrality calculation methods and
proposes a new swarm based method named Flocking Based Centrality for Social network (FBCS). This
new computation technique makes use of parameters that are more realistic and practical in online social
networks. The interactions between nodes play a significant role in determining the centrality of node. The
new method has been calculated both empirically as well as experimentally. The new method is tested,
verified and validated for different sets of random networks and benchmark datasets. The method has
been correlated with other state of the art centrality measures. The new centrality measure is found to
be realistic and suits well with online social networks. The proposed method can be used in applications
such as finding the most prestigious node and for discovering the node which can influence maximum
number of users in an online social network. FBCS centrality has higher Kendall’s tau correlation when
compared with other state of the art centrality methods. The robustness of the FBCS centrality is found
to be better than other centrality measures.
Key Terms: Centrality in social network | Degree of nodes | Online social network analysis | Boid’s algorithm | Flocking of birds |
مقاله انگلیسی |
8 |
خوشهبندی پویا با الگوریتم کلونی زنبور عسل مصنوعی بهبودیافته
سال انتشار: 2015 - تعداد صفحات فایل pdf انگلیسی: 12 - تعداد صفحات فایل doc فارسی: 32 یکی از معروفترین نسخههای دودویی (گسسته ی) الگوریتم کلونی زنبور عسل مصنوعی عبارتست از کلونی زنبور عسال مصنوعی مبتنی بر اندازهگیری شباهت، که برای اولین بار برای مسئلهی مکانیابی مراکزی با ظرفیت سرویس نامحدود (UFLP) پیشنهاد شد. این کلونی زنبور عسل مصنوعی گسسته بطور ساده به اندازهگیری شباهت بین بردارهای دودویی از طریق ضریب (تشابه) جاکارد، بستگی دارد. اگرچه مکانیزم اعمال شده برای تولید راهحلهای جدید در رابطه با اطلاعات تشابه بین راهحلها، به عنوان یک نسخهی دودویی ساده، جدید و کارآ از کلونی زنبور عسل مصنوعی چذیرفته شده است، ولی آن فقط یک مورد شباهت را مدّنظر قرار میدهد؛ یعنی، همهی حالتهای شباهت را درنظر نمیگیرد. برای پوشش این مسئله، مکانیزم تولید راهحل جدید مربوط به کلونی زنبور عسل مصنوعی با استفاده از حالتهای شباهت و از طریق اجزای الهام گرفته شده از ژنتیک، بهبود یافته است. علاوه بر این، مزیت الگوریتم پیشنهادی با مقایسهی آن با کلونی زنبور عسل مصنوعی پایهای، بهینهسازی ازدحام ذرات دودویی، و الگوریتم ژنتیک در خوشهبندی پویا (خودکار) اثبات میشود که در این نوع خوشهبندی تعداد خوشهها بصورت خودکار تعیین میشود، یعنی برخلاف تکنیکهای کلاسیک، نیازی نیست که این تعداد را در همان ابتدای کار مشخص کرد. نه تنها الگوریتمهای مبتنی بر محاسبات تکاملی، بلکه رویکردهای کلاسیک مانند C-means فازی و K-means نیز برای اثبات اثربخشی رویکرد پیشنهادی در خوشهبندی، مورد استفاده قرار میگیرند. نتایج بدست آمده حاکی از این هستند که کلونی زنبور عسل مصنوعی گسسته با عنصر تولیدکنندهی راهحل بهبودیافته قادر به دستیابی به راهحلهایی معتبرتر از دیگر الگوریتمها در خوشهبندی پویا میباشد، در حالیکه این مسئله توسط محققان به عنوان یکی از سختترین مسائل NP-hard به شدت مورد پذیرش قرار گرفته است.
کلمات کلیدی: آنالیز خوشه ای | خوشه بندی خودکار | بهینه سازی گسسته | الگوریتم کلونی زنبور عسل مصنوعی دودویی |
مقاله ترجمه شده |
9 |
بهینه سازی سیستم HVAC با استفاده از الگوریتم نیرومند ازدحام ذرات چندمنظوره
سال انتشار: 2011 - تعداد صفحات فایل pdf انگلیسی: 9 - تعداد صفحات فایل doc فارسی: 34 در این مقاله، روش داده¬گرا به منظور بهینه¬سازی سیستم گرمسازی، هوارسانی، و تهویه مطبوع (HVAC) در ساختمان اداری، معرفی می¬شود. از الگوریتم شبکه عصبی (NN) (به سبب عملکرد بهتر آن نسبت به پنج الگوریتم دیگری که در این مطالعه مورد بررسی قرار گرفته¬اند) برای ساخت مدل پیش¬بینی¬کننده استفاده شد. سپس، مدل پیش¬بینی NN-گرا، با الگوریتم نیرومند بهینه¬سازی ازدحام ذرات چندمنظوره (S-MOPSO) بهینه شد. رابطه میان مصرف انرژی و سطح دمای راحتی با اندازه¬گیری درجه حرارت و رطوبت، مورد بررسی قرار گرفت. تنظیمات کنترلی با توجه به بهینه¬سازی مدلی که مصرف انرژی را به حداقل برساند و در عین حال درمایی راحتی را در سطح قابل قبولی حفظ نماید، به دست آمد. جواب¬های به دست آمده بوسیله الگوریتم S-MOPSO اشاره به موارد زیادی دارد که باید در سیستم HVAC کنترل شوند، و طیفی از دیگر موارد قابل جایگزین با دمای راحتی و مصرف انرژی را نشان می¬دهد.
کلمات کلیدی: HVAC | بهینه سازی | شبکه عصبی | محاسبات تکاملی | الگوریتم نیرومند ازدحام ذرات چندمنظوره |
مقاله ترجمه شده |