یک مدل مبتنی بر بهینه سازی کلونی مورچه ها برای برنامه ریزی ایمن طرح کارگاه ساختمانی

A tri-objective ant colony optimization based model for planning safe construction site layout

چکیده
1- مقدمه
2- ملاحظات ایمنی در CLSP قبلی
3- توابع هدف بهینه‌سازی
3-1 تحلیل رابطه تعاملی
3-2 تابع هدف مرتبط با رابطه ایمنی جغرافیایی
3-3 تابع هدف مرتبط با رابطه ایمنی تسهیلات
3-4 تابع هدف برای هزینه کل حمل و نقل منابع
4- الگوریتم بهینه‌سازی سه هدفه مبتنی بر ACO
4-1 اصل زیربنایی الگوریتم بهینه‌سازی مبتنی بر ACO
4-2 شیوه جستجو ۱: هدایت جستجوی داخلی با انتقال اطلاعات هورمون
4-3 شیوه جستجو ۲: هدایت جستجوی کلی با تابع مشترک
5- مطالعه موردی
5-1 شرح مطالعه موردی
5-2 نقشه‌برداری کارگاه و بازنمایی تسهیلات کارگاهی
5-3 تعریف فاصله تسهیلات
5-4 نتایج مطالعه موردی
5-5 تشریح نتایج مطالعه موردی
6- تشریح مطالب
6-1 استنتاج‌های تئوریک و عملی
6-2 محدودیت‌ها و پیشنهادها
7- نتیجه‌گیری

چکیده

محقق‌سازی بهبود ایمنی در برنامه‌ریزی برای جانمایی کارگاه ساختمانی (CSLP) در مدیریت ایمنی پروژه‌های ساختمانی اهمیت بسزایی دارد. برخلاف مطالعات قبلی که در آنها هدف ایمنی بدون تحلیل تفصیلی فاکتورهای ریسک ایجاد می‌شد، در این مطالعه، براساس تفسیر کلی‌نگرانه رابطه تعاملی بین تسهیلات موقت، مسئله CSLP به یک مسئله بهینه‌سازی چندهدفه با دو تابع هدف ایمنی تبدیل می‌شود که حاصل روابط ایمنی تسهیلات (ریسک‌های بالقو‌ای که ناشی از جریان‌های تعاملی‌اند) و روابط ایمنی جغرافیایی‌اند (ریسک‌های بالقوه‌ای که ناشی از منابع خطرناک‌اند). علاوه بر این، تابع هدف مکمل کاهش هزینه نیز بدست آمد. زیرا هزینه مانع مهمی در مقابل بهبود ایمنی بود. سپس، برای حل مسئله MOO مدلی سه هدفه مبتنی بر بهینه‌سازی کلونی مورچه‌ها (ACO) ایجاد شد. در نهایت، برای تأیید مدل پیشنهادی از مطالعه‌ای موردی استفاده شد. این مطالعه با بررسی مسائل ایمنیِ درمحل براساس رابطه تعاملی استنباط‌های کامل‌تری از ایمنی ارائه می‌کند و ایمنی CSLP را در مرحله پیش‌ساخت می‌افزاید.

7- نتیجه‌گیری

در این مقاله، در بخش مهمی از تابع هدف ایمنی در طراحی طرح‌های جانمایی کارگاه ساختمانی، یک مدل بهینه‌سازی ایجاد شد که ملاحظات ایمنی جزئی اشاره‌شده در مطالعات قبل را، در دو تابع هدف ایمنی که برمبنای رابطه ایمنی تسهیلات و رابطه ایمنی جغرافیایی تشکیل شدند، گنجاند. چون هزینه ساخت نیازی ابتدایی و بسیار مهم برای مدیریت ساخت به حساب می‌آید، تابع هدف دیگری مرتبط با هزینه نیز به عنواه هدف مکملی برای CSLP تشکیل شد. مسئله بهینه‌سازی سه هدفه حاصل با الگوریتم ACO مبتنی بر تئوری پارتو، که برای یافتن پاسخ‌های تبادلی (جانمایی‌های بهینه) براساس رابطه برتری بین پاسخ‌ها استفاده می‌شود، حل شد. در نهایت، ساختمانی مسکونی به عنوان مطالعه موردی انتخاب شد تا کاربردپذیری و قابلیت اجرای مدل پیشنهادی روشن شود. نتایج نشان دادند که تابع هدفِ رابطه تعاملی با هزینه حمل و نقل منابع همخوانی و با تابع هدفِ رابطه ایمنی جغرافیایی تناقض دارد.

Abstract

Realizing safety improvements in construction site layout planning (CSLP) is vitally important to construction project safety management. Unlike previous studies in which the safety objective is built without detailed risk factors analysis, this study transforms CSLP into a multi-objective optimization (MOO) problem with designing two safety objective functions due to facility safety relationships (potential risks arising from interaction flows) and geographic safety relationship (potential risks arising from hazardous sources) from the holistic interpretation of interaction relationship connecting temporary facilities. Besides, a supplementary cost reduction objective function was also derived as cost is a critical barrier against safety improvement. Subsequently, a tri-objective ant colony optimization based model was developed to solve MOO problem. Finally, a case study is used to verify the proposed model. The study enriches safety implications by considering onsite safety issues from interaction relationship and enhances site safety of CSLP in the pre-construction stage.

7- Conclusion

As an important part of the safety objective function in designing construction site layout plans, this paper established an optimization model which incorporates partial safety considerations mentioned in previous studies into two safety objective functions constructed based on facility safety relationship and geographic safety relationship. Since construction cost is the basic and very important requirement for construction management, an additional objective function related to cost was also established as a supplementary objective for CSLP. The resulting tri-objective optimization problem was solved via Pareto-based ACO algorithm, which is used to find tradeoff solutions (optimal construction site layouts) according to the dominance relation between solutions. Finally, a residential building was used as a case study to illustrate the applicability and feasibility of the proposed model. The results show that the objective function related to interaction relationship is congruent with resources transportation cost and have a conflicting relationship with the objective function related to geographic safety relationship.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

یک مدل مبتنی بر بهینه سازی کلونی مورچه ها برای برنامه ریزی ایمن طرح کارگاه ساختمانی

A tri-objective ant colony optimization based model for planning safe construction site layout

الگوریتم بهبود یافته کلونی مورچگان برای کنترل تطبیقی ردیابی فرکانس در سیستم انتقال بی سیم توان

Improved ant colony algorithm for adaptive frequency-tracking control in WPT system

• برای دانلود رایگان مقاله انگلیسی با فرمت pdf بر روی عنوان انگلیسی مقاله کلیک نمایید.
• برای خرید و دانلود ترجمه فارسی آماده با فرمت ورد، روی عنوان فارسی مقاله کلیک کنید.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

الگوریتم بهبود یافته کلونی مورچگان برای کنترل تطبیقی ردیابی فرکانس در سیستم انتقال بی سیم توان

Improved ant colony algorithm for adaptive frequency-tracking control in WPT system

• برای دانلود رایگان مقاله انگلیسی با فرمت pdf بر روی عنوان انگلیسی مقاله کلیک نمایید.
• برای خرید و دانلود ترجمه فارسی آماده با فرمت ورد، روی عنوان فارسی مقاله کلیک کنید.

بهینه سازی انرژی الگوریتم کلونی مورچه در شبکه حسگر بی سیم

Energy optimization of ant colony algorithm in wireless sensor network

• برای دانلود رایگان مقاله انگلیسی با فرمت pdf بر روی عنوان انگلیسی مقاله کلیک نمایید.
• برای خرید و دانلود ترجمه فارسی آماده با فرمت ورد، روی عنوان فارسی مقاله کلیک کنید.

مجله بین المللی شبکه های حسگر توزیع شده 

International Journal of Distributed Sensor Networks

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

بهینه سازی انرژی الگوریتم کلونی مورچه در شبکه حسگر بی سیم

Energy optimization of ant colony algorithm in wireless sensor network

• برای دانلود رایگان مقاله انگلیسی با فرمت pdf بر روی عنوان انگلیسی مقاله کلیک نمایید.
• برای خرید و دانلود ترجمه فارسی آماده با فرمت ورد، روی عنوان فارسی مقاله کلیک کنید.

مروری نوین بر کاربردهای بهینه سازی کلونی مورچه در مدیریت منابع آب

State of the Art Review of Ant Colony Optimization Applications in Water Resource Management

چکیده

1-مقدمه

2- بهینه سازی کلونی مورچه؛ مرور

3- الگوریتم های کلونی مورچه پیوسته

4- ACO اهداف متعدد

5- کاربرد الگوریتمهای ACO در مدیریت منابع آب (WRM)

6- روندهای کنونی در ACO

منابع

چکیده

     در میان تکنیکهای بهینه­سازی فراابتکاری ظهور یافته، بهینه­سازی کلونی مورچه (ACO) توجهات بسیاری را در برنامه­ریزی و مدیریت منابع آب و زیست محیطی در طول دهه گذشته به خود جلب کرده است. نسخه­های مختلف ACO اثبات شده است که در حل تعدادی از مسائل منابع آب پیچیده به لحاظ مکانی و زمانی در قلمروهای گسسته و پیوسته با اهداف منفرد و یا متعدد انعطاف­پذیر و قدرتمند هستند. با مرور تعداد زیادی از مقالات ژورنالی بررسی همکار و تعداد اندکی مقالات کنفرانسی ارزشمند، هدف داریم تا مشخصات الگوریتمهای مورچه را شناسایی کنیم و به طور منتقدانه کاربردهای نوین آنها را در مسائل مدیریت زیست محیطی و منابع آب در هردو قلمرو پیوسته و گسسته مرور کنیم. این مقاله تلاش می­کند تا فرصت­ها، مزایا و معایب این الگوریتم را به همان صورت که در حوزه­های مختلف مسائل منابع آبی در هردو زمینه تحقیق و عمل به کار گرفته شده است، ارتقاء دهد. همچنین هدف شناسایی و ارائه نقش اصلی و بدوی الگوریتمهای مورچه و یافته­های آنها در حوزه­های سازمان یافته مدیریت آب سطحی و عملیات مخزن، سیستم­های توزیع آب، زهکشی شهری و سیستم­های فاضلاب، مدیریت آبهای زیرزمینی، مدیریت زیست محیطی و حوضه آبخیر است. روندها و چالشهای کنونی در الگوریتمهای ACO مورد بحث قرار گرفتند و برای افزایش تلاش­ها جهت انجام آنالیز همگرایی همانند در حوزه فعال مورد علاقه فراخوانی شدند.

الگوریتم­های کلونی مورچه پیوسته

     بهینه سازی کلونی مورچه در اصل برای مسائل بهینه­سازی گسسته توسعه داده شد. کاربرد آن قلمرو پیوسته با گسسته­سازی فضای جستجو آغاز شد. اگرچه، برخی پیشرفت­ها در متدولوژی گسسته­سازی همانند رویکرد پالایش گسسته (DR) برای بهبود عملکرد و کارایی ACO اصلی در قلمروهای پیوسته گزارش شدند (جلیل و همکاران، 2007)، عملکرد مقایسه­ای آنها هنوز باید بهبود داده شود. برای غلبه بر این مسئله، نسخه جدید الگوریتم مبتنی بر ACO توسعه داده شد.

     جدیدترین رویکرد پیشنهادی برای مسائل پیوسته توسط سوچا و دوریگو (2006) نزدیک به روح الگوریتمهای مبتنی بر کورچه است. در الگوریتم پیشنهادی آنها (ACOR)، ایجاد نموی راه­حلها براساس انتخاب تصادفی مولفه­های راه­حل به عنوان ایده اصلی در ACOR باقی می­ماند.

     با افزایش تعداد گزینه­های در دسترس در هر مرحله ساخت، توزیع احتمالی گسسته (در ACO گسسته) به یک تابع چگالی احتمال نزدیک می­شود. در این مورد، به جای انتخاب یک مولفه راه­حل از مجموعه مجاز، یک مورچه مولفه­های راه­حل را از یک تابع چگالی احتمال (PDF) پیوسته انتخاب می­کند. برای تعریف یک PDF بایمدال، آنها PDF کرنل گاوسی، ، را به صورت مجموع چندین تابع گاوسی یک بعدی  پیشنهاد کردند:

الگوریتم پویای الگوریتم کلونی مصنوعی زنبور چند مستعمره برای بهینه سازی چند منظوره

A dynamic multi-colony artificial bee colony algorithm for multi-objective optimization

چکیده

1. مقدمه

2. مقدمات

2.1 بهینه سازی چند منظوره اصلی

2.2 . الگوریتم اجتماع زنبور عسل مصنوعی

3. الگوریتم DMCMOABC مطرح شده

3.1 مقدار دهی اولیه

3.2 نگهداری آرشیو

3.3 ارسال زنبورهای کارگر

3.4 ارسال زنبورهای ناظر

3.5. تعویض اطلاعات

3.6 . روش رسیدگی کردن به محدودیت

4. مطالعه تجربی

4.1 معیارهای اجرا و عملکردهای آزمون

4.2 انتخاب پارامتر

4.3 نتایج محاسباتی و مقایسه عملکردی

4.4 مقایسه جبهه های تقریبی pareto

4.5 بحث در مورد تأثیر پارامترهای کنترل

5. نتیجه

چکیده

این مقاله یک الگوریتم پویای چند منظوره، چند مستعمره مجتمع زنبور عسل مصنوعی (DMCMOABC) را با استفاده از مدل multi-deme و راهبرد تعویض اطلاعات پویا پیشنهاد میکند.  در این الگوریتم مطرح شده، اجتماع های k (K colonies ) بیشتر اوقات به طور غیر وابسته جستجو میکند و اطلاعات را گهگاه به اشتراک میگذارد. در هر اجتماع (colony, ) زنبورهای S  شامل تعداد برابر از زنبورهای کارگرو زنبورهای ناظر وجود دارد. برای هر منبع غذا، زنبورهای کارگر و ناظر یک موقعیت موقت را کشف خواهند کرد که با استفاده از اطلاعات همسایه تولید شده است و مورد بهتری که توسط یک راهبرد انتخاب حریص تعیین شده، مرتبا تکرار می شود. آرشیو بیرونی برای ذخیره¬ی راه حل های غیر غالب به کار گرفته شده است که در حین فرآیند جستجو یافت شد و تنوع بیش از آرشیو انفرادی، توسط راهبرد ازدحام- فاصله (crowding-distance) حفظ شده است. اگر تعداد تولید تصادفی کوچکتر از نرخ مهاجرت Rباشد پس از آن نخبگان،که  به عنوان افراد حد واسط با بیشترین مقدار ازدحام- فاصله تعریف می شوند؛ برای جایگزینی بدترین منبع غذا در یک انتخاب اجتماع تصادفی شناسایی و به کار برده می شود. DMCMOABC پیشنهاد شده، بر یک مجموعه ای از عملکردهای آزمایشی محدود/ نامحدود ارزیابی شده است که از دوره ویژه ی CEC2009 و رقابت از نظر چهار ماتریکس به کار برده شده  EPSILON,، HV,، IGD و SPREAD, گرفته شده است و با سایر الگوریتم های  وضعیت هنر (state-of-the-art) توسط  اجرای آزمون Friedman بر میانگین IGD مقایسه شده است. نتایج آرمون نشان می دهد که DMCMOABC به طور قابل توجهی بهتر از یا حداقل قابل مقایسه با رقبایش برای هر دو مشکل محدود و نامحدود است.

1. مقدمه

در بسیاری از برنامه های بهینه سازی جهان واقعی ، تصمیم گیرنده ها (DMs) اغلب باید به مشکلاتی که با هم تضاد دارند و باید به طور همزمان بهینه شوند، با چندین هدف رسیدگی کنند و آنها معمولا  مشکلات بهینه سازی چند منظوره (MOPs) نامیده می شوند که مشکل تر از مشکلات یک منظوره هستند ، از آنجایی که یک راه حل یگانه در دسترس برای آنها وجود ندارد اما یک مجموعه از راه حل های Pareto-optimal (PS) یا راه حل های غیر غالب وجود دارد که تبادل بین اهداف را نشان می دهد.

5. نتیجه

در این مقاله، ما یک الگوریتم جدید اجتماع زنبور عسل مصنوعی چند منظوره توسط کابرد یک مدل چند اجتماعی و یک راهبرد مبادله اطلاعات پویا  پیشنهاد میکنیم. در الگوریتم پیشنهادشده ،اجتماع  K در زیر فضای خودشان  مستقلا بیشتر اوقات جستجو میکند  و اطلاعات را به طور تصادفی به اشتراک میگذارد که توسط پارامتر ی که نرخ مهاجرت نامیده میشود کنترل شده است. در هر مهاجرت، یک گلچین از آرشیو خارجی انتخاب شده است و برای جایگزینی بدترین منبع غذا در اجتماع به طور تصادفی انتخاب شده، به کار گرفته شده است . جهت مهاجرت پویاست زیرا گلچین ممکن است توسط هر اجتماع یافت شود و اجتماع پذیرنده همچنین به طور تصادفی تعیین شده است.  پارامترهای کنترل الگوریتم ما توسط یک تجربه تعیین شده است و توصیه شده است که برای کاربرد عمومی به ترتیب R بر 0.01 ، K بر 9, S بر 20 تنظیم شود. 

Abstract

This paper suggests a dynamic multi-colony multi-objective artificial bee colony algorithm (DMCMOABC) by using the multi-deme model and a dynamic information exchange strategy. In the proposed algorithm, K colonies search independently most of the time and share information occasionally. In each colony, there are S bees containing equal number of employed bees and onlooker bees. For each food source, the employed or onlooker bee will explore a temporary position generated by using neighboring information, and the better one determined by a greedy selection strategy is kept for the next iterations. The external archive is employed to store non-dominated solutions found during the search process, and the diversity over the archived individuals is maintained by using crowding-distance strategy. If a randomly generated number is smaller than the migration rate R, then an elite, defined as the intermediate individual with the maximum crowding-distance value, is identified and used to replace the worst food source in a randomly selected colony. The proposed DMCMOABC is evaluated on a set of unconstrained/constrained test functions taken from the CEC2009 special session and competition in terms of four commonly used metrics EPSILON, HV, IGD and SPREAD, and it is compared with other state-of-the-art algorithms by applying Friedman test on the mean of IGD. The test results show that DMCMOABC is significantly better than or at least comparable to its competitors for both unconstrained and constrained problems.

1. Introduction

In many real-world optimization applications, decision makers (DMs) often have to handle problems with multiple objectives that are conflicting to each other and should be optimized simultaneously, and they are usually called multi-objective optimization problems (MOPs) which are more difficult than one-objective ones since there is no single solution available for them but a set of Pareto-optimal solutions (PS) or non-dominated solutions that represent a trade-off among the objectives.

5. Conclusion

In this paper, we suggest a new multi-objective artificial bee colony algorithm by using a multi-colony model and a dynamic information exchange strategy. In the proposed algorithm, K colonies search in their own sub-spaces independently most of the time and share information occasionally that is controlled by a parameter named migration rate. In each migration, an elite is selected from the external archive and used to replace the worst food source in a randomly chosen colony. The migration direction is dynamic since the elite may be found by any colony and the received colony is also determined stochastically. The control parameters of our algorithm are determined by an experiment and it is recommended to set R to 0.01, K to 9 and S to 20 for general usage, respectively

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

الگوریتم پویای الگوریتم کلونی مصنوعی زنبور چند مستعمره برای بهینه سازی چند منظوره

A dynamic multi-colony artificial bee colony algorithm for multi-objective optimization

الگوریتم ترکیبی مرکب از الگوریتم کلونی مورچه و الگوریتم ژنتیک برای ترکیب دینامیک سرویس وب

A Hybrid Algorithm Combining Ant Colony Algorithm and Genetic Algorithm for Dynamic Web Service Composition

چکیده

1- مقدمه

2- مدل ترکیب سرویس و شرح مسئله

1- 2 مدل ترکیب سرویس

2- 2 مشخصه های QoS وب سرویس

3- 2 مقدار مطلوبیت QoS کاربر

4- 2 قواعدتجمعی QoS سرویس مرکب

5- 2 شرح مسئله ترکیب سرویس

3- طراحی الگوریتم هیبریدی HA_ACAGA

1- 3 الگوریتم کلونی مورچگان بهبود یافته در HA_ACAGA

2- 3 الگوریتم ژنتیک بهبود یافته در HA_ACAGA

3- 3 طراحی الگوریتم HA_ACAGA

4- نتایج و تجزیه و تحلیل آزمایش

1- 4 مجموعه داده های شبیه سازی

2- 4 مقایسه زمان محاسبه

3- 4 مقایسه مقدار مطلوبیت QoS

5- نتیجه گیری

چکیده

تعداد رو به رشدی از وب سرویس ها که تابعیت یکسان عرضه می کنند اما از لحاظ خصوصیات غیر تابعی باهم تفاوت دارند، روی شبکه ظهور می کنند،به همین خاطر نیاز به انتخاب آنها برای تشکیل سرویسهای مرکب جهت تامین نیازهای کاربر به یک نقطه داغ تحقیق تبدیل شده است. روشهای انتخاب وب سرویس ها تلاش می کنند راه حل های بهینه برای کاربران بیابند. اما از آنجایی که رجحان شخصی هر کاربر تفاوت دارد و وب سرویس ها انبوه و پویا هستند، در نتیجه یافتن راه حل بهینه سخت و دشوار می باشد. بنابراین، در این مقاله الگوریتم هیبریدی مرکب از الگوریتم کلونی مورچگان و الگوریتم ژنتیک برای ترکیب وب سرویس، پیشنهاد شده است. مسئله بهینه سازی کلی در ترکیب وب سرویس ابتدا به مسئله یافتن یک مسیر بهینه در گراف جهت دار غیر مدور وزندار با محدودیت های خاص QoS (کیفیت خدمات) تبدیل گردید. و سپس از یک الگوریتم کلونی مورچگان و یک الگوریتم ژنتیک بهبود یافته متناوباً در الگوریتم هیبریدی استفاده گردید. از الگوریتم کلونی مورچگان بهبود یافته برای دستیابی به مجموعه راه حل های غیر غالب استفاده می شود. با استفاده از مجموعه ها به عنوان مجموعه های جمعیت اولیه، برای کمک به الگوریتم کلونی مورچگان جهت دستیابی به راه حل بهینه، الگوریتم ژنتیک بهبودیافته اجرا می شود. نتایج آزمایش، اعتبار و کارایی الگوریتم پیشنهادی را نشان می دهد.

5- نتیجه گیری

مقاله حاضر الگوریتم هیبریدی مرکب از الگوریتم کلونی مورچگان و الگوریتم ژنتیک را برای ترکیب وب سرویسها معرفی می نماید.مسئله ترکیب وب سرویس ابتدا به مسئله یافتن یک مسیر بهینه در گراف جهت دار غیر مدور وزن دار با محدودیت های خاص QoS تبدیل می شود. سپس الگوریتم هیبریدی از مزایای دو الگوریتم برای دستیابی به راه حل بهینه استفاده می کند. نتایج آزمایش نشان می دهد که الگوریتم موثرتر بوده و از قابلیت توسعه بهتری برخوردار می باشد. کار آینده، بهبود تطبیق پذیری الگوریتم می باشد زمانی که سرویس ها موجود نبوده یا QoS سرویس ها در محیط پویا تغییر می کند.

Abstract

Growing numbers of web services that offer identical functionality but differ in non-functional properties are emerging on the network, to the need to select them to form a composite service to meet user’s requirements has become one research hotspot. Web service selection methods are an attempt to to find optimal solutions for users. However, because each user’s personal preference is different and web services are massive and dynamic, it is hard to find optimal solution. Therefore, a Hybrid Algorithm combining Ant Colony Algorithm and Genetic Algorithm for web service composition is proposed in this paper. The global optimization problem in web service composition is firstly transformed to the problem of finding an optimal path in the weighted directed acyclic graph with certain QoS (Quality of Service) constrains. And then an improved ant colony algorithm and an improved genetic algorithm are used alternately in the hybrid algorithm. Improved ant colony algorithm is used to achieve the non-dominated solution sets. Using the sets as the initial population sets, improved genetic algorithm is performed to assist ant colony algorithm to obtain the optimal solution. Experimental results demonstrate the validity and efficiency of the proposed algorithm.

5- CONCLUSION

This paper presents a Hybrid Algorithm combing Ant Colony Algorithm and Genetic Algorithm for web services composition. The problem of web service composition is firstly transformed to the problem of finding an optimal path in the weighted directed acyclic graph with certain QoS constrains. Then the hybrid algorithm makes full use of advantages of two algorithms to achieve the optimal solution. Experiment results show that the algorithm is more effective and better expansible. The next work is to improve the adaptability of algorithm when services become unavailable or QoS of the services changes in a dynamic environment.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

الگوریتم ترکیبی مرکب از الگوریتم کلونی مورچه و الگوریتم ژنتیک برای ترکیب دینامیک سرویس وب

A Hybrid Algorithm Combining Ant Colony Algorithm and Genetic Algorithm for Dynamic Web Service Composition

استنتاج درختان تصمیم گیری با یک الگوریتم بهینه سازی کولونی مورچه

Inducing decision trees with an ant colony optimization algorithm

Abstract

Decision trees have been widely used in data mining and machine learning as a comprehensible knowledge representation. While ant colony optimization (ACO) algorithms have been successfully applied to extract classification rules, decision tree induction with ACO algorithms remains an almost unexplored research area. In this paper we propose a novel ACO algorithm to induce decision trees, combining commonly used strategies from both traditional decision tree induction algorithms and ACO. The proposed algorithm is compared against three decision tree induction algorithms, namely C4.5, CART and cACDT, in 22 publicly available data sets. The results show that the predictive accuracy of the proposed algorithm is statistically significantly higher than the accuracy of both C4.5 and CART, which are well-known conventional algorithms for decision tree induction, and the accuracy of the ACO-based cACDT decision tree algorithm.

1 Introduction

One of the most studied data mining tasks in the literature is the classification task [15,29]. In essence, the classification task consists of learning a predictive relationship between input values and a desired output. Each example (data instance or record) is described by a set of features (attributes)—referred to as predictor attributes—and a class attribute. Given a set of examples, a classification algorithm aims at creating a model, which represents the relationship between predictor attributes values and class values (labels), and which is able to predict the class label of a new (unseen) example based on the values of its predictor attributes. Classification problems can be viewed as optimisation problems, where the goal is to find the best function (model) that represents the predictive relationships in the data.

اجرای الگوریتم بهینه سازی موازی کلونی مورچه بر اساس متلب

The Implementation of Parallel Ant Colony Optimization Algorithm based on MATLAB

• برای دانلود رایگان مقاله انگلیسی با فرمت pdf بر روی عنوان انگلیسی مقاله کلیک نمایید.
• برای خرید و دانلود ترجمه فارسی آماده با فرمت ورد، روی عنوان فارسی مقاله کلیک کنید.

سومین کنگره سراسری سیستم های هوشمند

Third Global Congress on Intelligent Systems

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

اجرای الگوریتم بهینه سازی موازی کلونی مورچه بر اساس متلب

The Implementation of Parallel Ant Colony Optimization Algorithm based on MATLAB

• برای دانلود رایگان مقاله انگلیسی با فرمت pdf بر روی عنوان انگلیسی مقاله کلیک نمایید.
• برای خرید و دانلود ترجمه فارسی آماده با فرمت ورد، روی عنوان فارسی مقاله کلیک کنید.

یک پیمایش: بهینه سازی کلونی مورچه ها بر اساس تحقیقات و پیاده سازی های اخیر در حوزه های مختلف مهندسی

A survey: Ant Colony Optimization based recent research and implementation on several engineering domain

• برای دانلود رایگان مقاله انگلیسی با فرمت pdf بر روی عنوان انگلیسی مقاله کلیک نمایید.
• برای خرید و دانلود ترجمه فارسی آماده با فرمت ورد، روی عنوان فارسی مقاله کلیک کنید.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

بهینه سازی کلونی مورچگان مبتنی بر پژوهش ها در زمینه گوناگون مهندسی

A survey: Ant Colony Optimization based recent research and implementation on several engineering domain

• برای دانلود رایگان مقاله انگلیسی با فرمت pdf بر روی عنوان انگلیسی مقاله کلیک نمایید.
• برای خرید و دانلود ترجمه فارسی آماده با فرمت ورد، روی عنوان فارسی مقاله کلیک کنید.

استراتژی های ترکیبی دوگانه ( هیبریدی) برای (الگوریتم) پیوسته بهینه سازی مورچگان و (الگوریتم) ازدحام ذرات ، مورد استفاده در دسته بندی اطلاعات

Hybridization strategies for continuous ant colony optimization and particle swarm optimization applied to data clustering

• برای دانلود رایگان مقاله انگلیسی با فرمت pdf بر روی عنوان انگلیسی مقاله کلیک نمایید.
• برای خرید و دانلود ترجمه فارسی آماده با فرمت ورد، روی عنوان فارسی مقاله کلیک کنید.

استراتژی های ترکیبی دوگانه ( هیبریدی) برای (الگوریتم) پیوسته بهینه سازی مورچگان و (الگوریتم) ازدحام ذرات ، مورد استفاده در دسته بندی اطلاعات

Hybridization strategies for continuous ant colony optimization and particle swarm optimization applied to data clustering

• برای دانلود رایگان مقاله انگلیسی با فرمت pdf بر روی عنوان انگلیسی مقاله کلیک نمایید.
• برای خرید و دانلود ترجمه فارسی آماده با فرمت ورد، روی عنوان فارسی مقاله کلیک کنید.