الگوریتم سیاهچاله و کاربردهای آن

محاسبات الهام گرفته از زیستی یک زمینه مطالعه است که تعداد زیادی از زیر مجموعه های ارتباطات (شبکه عصبی) ، رفتار اجتماعی ، زمینه ظهور هوش مصنوعی و الگوریتم های یادگیری ماشین را برای بهینه سازی مشکل پیچیده به هم وصل می کند. محاسبات الهام گرفته از زیستی از نظر طبیعت انگیزه دارد و طی چند سال گذشته ، الگوریتم های پیشرفته و مجموعه ای از ابزارهای محاسباتی را برای مقابله با مشکلات پیچیده بهینه سازی ترکیبی تشویق کرده است. سیاه چاله یک رویکرد جدید متهوریستی با الهام از زیستی مبتنی بر واقعیت قابل مشاهده پدیده های سیاه چاله است. این یک رویکرد الگوریتمی مبتنی بر جمعیت مانند الگوریتم ژنتیکی (GAS) ، الگوریتم بهینه سازی کلونی مورچه (ACO) ، بهینه سازی ذرات (PSO) ، Firefly و سایر الگوریتم های محاسباتی با الهام از زیستی است. هدف از این فصل کتاب ارائه یک مطالعه جامع از رویکرد سیاه چاله و کاربردهای آن در زمینه های مختلف تحقیقاتی مانند مشکل خوشه بندی داده ها ، پردازش تصویر ، داده کاوی ، دید رایانه ، علوم و مهندسی است. در این فصل ، پله پله برای تحقیقات آینده برای پرده برداری از چگونگی الگوریتم های متراکم متهوریستی و بیولوژیکی الهام بخش می توانند راه حل های مشکل سخت یا پیچیده بهینه سازی را بهبود بخشند.

کلید واژه ها

• فراماسونری
• سیاه چاله
• هوش جمعی
• k-means
• خوشه

این پیش نمایش محتوای اشتراک ، دسترسی از طریق موسسه شما است.

گزینه های خرید

29. 95 یورو قیمت شامل مالیات بر ارزش افزوده (فدراسیون روسیه)

کتاب الکترونیکی 117. 69 یورو شامل مالیات بر ارزش افزوده (فدراسیون روسیه)

کتاب Softcover 140. 17 یورو از مالیات بر ارزش افزوده (فدراسیون روسیه) مستثنی است

کتاب گالینگور 169. 99 یورو ارزش مالیات بر ارزش افزوده (فدراسیون روسیه)

منابع

1. Tan ، X. ، Bhanu ، b .: تطبیق اثر انگشت توسط الگوریتم های ژنتیکی. به رسمیت شناختن الگوی39 ، 465-477 (2006) Crossrefmathgoogle Scholar
2. Karakuzu ، c: آموزش کنترل کننده فازی با استفاده از بهینه سازی swarm ذرات برای کنترل سیستم غیرخطی. عیسی ترانس. 47 (2) ، 229-239 (2008) Crossrefgoogle Scholar
3. Rajabioun ، R: الگوریتم بهینه سازی فاخته. Elsevier Appl. رایانه نرم11 ، 5508-5518 (2011) Crossrefgoogle Scholar
4. Tsai Hsing ، C. ، Lin ، Yong-H: اصلاح الگوریتم Swarm ماهی با فرمولاسیون بهینه سازی ذرات و رفتار ارتباطی. کاربردرایانه نرمElsevier 1 ، 5367-5374 (2011) Crossrefgoogle Scholar
5. Baojiang ، Z. ، Shiyong ، L: الگوریتم بهینه سازی کلونی مورچه و کاربرد آن در طراحی کنترلر Neu Ro-Fuzzy. J. Syst. مهندسالکترون18 ، 603-610 (2007) Crossrefmathgoogle Scholar
6. Dorigo ، M. ، Maniezzo ، V. ، Coloi ، A: سیستم مورچه: بهینه سازی توسط مستعمره عوامل همکاری. IEEE ترانس. systمرد سایبرنقسمت B 26 (1) ، 29-41 (1996) Crossrefgoogle Scholar
7. کشاورز ، J. D. ، و همکاران: سیستم ایمنی بدن ، سازگاری و یادگیری ماشین. فیزیکD پدیده غیرخطی. Elsevier 22 (1-3) ، 187-204 (1986) Google Scholar
8. کیم ، D. H. ، ابراهیم ، A. ، چو ، J. H: یک الگوریتم ژنتیکی ترکیبی و رویکرد علوفه باکتریایی برای بهینه سازی جهانی. inf. علمی177 ، 3918-3937 (2007) Crossrefgoogle Scholar
9. Kirkpatrick ، S. ، Gelatto ، C. D. ، Vecchi ، M. P: بهینه سازی با بازپخت شبیه سازی شده. Science 220 ، 671-680 (1983) CrossrefmathmathscinetGoogle Scholar
10. Tang ، K. S. ، Man ، K. F. ، Kwong ، S. ، He ، Q: الگوریتم های ژنتیکی و کاربردهای آنها. IEEE SIG. روند. مگس3 (6) ، 22-37 (1996) Crossrefgoogle Scholar
11. Du ، Weilin ، Li ، B: بهینه سازی ذرات چند استراتژی برای بهینه سازی پویا. inf. علمی178 ، 3096-3109 (2008) Crossrefmathgoogle Scholar
12. Yao ، X. ، Liu ، Y. ، Lin ، G: برنامه نویسی تکاملی سریعتر ساخته شد. IEEE ترانس. تحولرایانه. 3 ، 82-102 (1999) Crossrefgoogle Scholar
13. Liu ، Y. ، Yi ، Z. ، Wu ، H. ، Ye ، M. ، Chen ، K: یک رویکرد جستجوی تابو برای حداقل مشکل خوشه بندی تعداد مربعات. inf. علمی178 (12) ، 2680-22704 (2008) CrossrefmathmathmathscinetGoogle Scholar
14. Kim ، T. H. ، Maruta ، I. ، Sugie ، T: تنظیم کنترل کننده PID قوی بر اساس بهینه سازی SWARM ذرات محدود. J. Autom. ScienceDirect 44 (4) ، 1104 1110 (2008) CrossrefmathmathmathscinetGoogle Scholar
15. Cordon ، O. ، Santamarı ، S. ، Damas ، J: یک رویکرد سریع و دقیق برای ثبت نام تصویر سه بعدی با استفاده از الگوریتم تکاملی جستجوی پراکندگی. به رسمیت شناختن الگویکاهنده27 ، 1191 1200 (2006) Crossrefgoogle Scholar
16. Yang ، X. S: الگوریتم های Firefly برای بهینه سازی چندمودال ، در: انجام الگوریتم های تصادفی: مبانی و برنامه ها (SAGA) ، 2009 (2009) Google Scholar
17. Kalinlia ، A. ، Karabogab ، N: الگوریتم ایمنی مصنوعی برای طراحی فیلتر IIR. مهندسکاربردArtifهوش18 ، 919-929 (2005) Crossrefgoogle Scholar
18. Lin ، Y. L. ، Chang ، W. D. ، Hsieh ، J. G: یک رویکرد بهینه سازی ذرات به مدل سازی فیلتر منطقی غیرخطی. سیستم متخصصکاربرد34 ، 1194 1199 (2008) Crossrefgoogle Scholar
19. هلند ، J. H: اقتباس در سیستم های طبیعی و مصنوعی. دانشگاه میشیگان پرس ، آن آربور (1975) Google Scholar
20. جکسون ، D. E. ، Ratnieks ، F. L. W: ارتباطات در مورچه ها. curr. بیول16 ، R57 0-R574 (2006) Crossrefgoogle Scholar
21. Goss ، S. ، Aron ، S. ، Deneubourg ، J. L. ، Pasteels ، J. M: میانبرهای خود سازمان یافته در مورچه آرژانتین. Naturwissenschaften 76 ، 579-581 (1989) Crossrefgoogle Scholar
22. کندی ، جی. ، ایبرهارت ، R. C: بهینه سازی swarm ذرات. پروکIEEE intکنفرانسشبکه های عصبی 4 ، 1942-1948 (1995) Google Scholar
23. Yang ، X. S: 2010 ، "الگوریتم های متهوریستی با الهام از طبیعت" ، Luniver Press Google Scholar
24. Tarasewich ، P ، McMullen ، P. R: اطلاعات SWARM: قدرت در تعداد. ارتباطACM 45 ، 62-67 (2002) Crossrefgoogle Scholar
25. Senthilnath ، J. ، Omkar ، S. N. ، Mani ، v .: خوشه بندی با استفاده از الگوریتم Firefly: مطالعه عملکرد. Swarm Evol. رایانه. 1 (3) ، 164-171 (2011) Crossrefgoogle Scholar
26. یانگ ، X. S: الگوریتم Firefly. بهینه سازی مهندسی ، صص 221-230 (2010) Google Scholar
27. یانگ ، X. S: الگوریتم خفاش برای بهینه سازی چند هدف. int. محاسبات با الهام از Bio. 3 (5) ، 267-2274 (2011) Google Scholar
28. Tripathi ، P. K. ، Bandyopadhyay ، S. ، PAL ، S. K: بهینه سازی ذرات چند هدف با بی تحرکی و ضرایب شتاب نوع. inf. علمی177 ، 5033-5049 (2007) CrossrefmathmathscinetGoogle Scholar
29. Karaboga ، D: ایده ای بر اساس Swarm Bee Honey برای بهینه سازی عددی. گزارش فنی TR06 ، دانشگاه Erciyes (2005) Google Scholar
30. Ellabib ، I. ، Calamari ، P. ، Basir ، O: استراتژی های تبادل برای سیستم کلونی مورچه ها. inf. علمی177 ، 1248 1264 (2007) Crossrefgoogle Scholar
31. حمزه جبی ، ج: بهبود عملکرد الگوریتم های ژنتیکی با جستجوی محلی برای بهینه سازی عملکرد مداوم. کاربردریاضی. رایانه. 96 (1) ، 309-317 (2008) Crossrefgoogle Scholar
32. Lozano ، M. ، Herrera ، F. ، Cano ، J. R: استراتژی های جایگزینی برای حفظ تنوع مفید در الگوریتم های ژنتیکی حالت پایدار. inf. علمی178 ، 4421-4433 (2008) Crossrefgoogle Scholar
33. لازار ، ع: کشف دانش اکتشافی برای داده های باستان شناسی با استفاده از الگوریتم های ژنتیکی و مجموعه های خشن ، اکتشافی و بهینه سازی برای کشف دانش ، IGI Global ، صص 263-278 (2014) Google Scholar
34. Russell ، S. J. ، Norvig ، p.: هوش مصنوعی یک رویکرد مدرن. سالن Prentice ، رودخانه زین فوقانی (2010). 1132 Google Scholar
35. Fred ، W: Glover ، Manuel Laguna ، Tabu Search ، 1997 ، ISBN: 07923965X Google Scholar
36. Christian ، B. ، Roli ، A: MetaHeuristics در بهینه سازی ترکیبی: نمای کلی و مقایسه مفهومی. COMPUT ACM. نظرسنجی ها (CSUR) 35 (3) ، 268-308 (2003) Crossrefgoogle Scholar
37. Gazi ، V. ، Passino ، K. M: تجزیه و تحلیل پایداری Swarms علوفه های اجتماعی. IEEE ترانس. systمرد سایبرنقسمت B 34 (1) ، 539-557 (2008) Crossrefgoogle Scholar
38. Deb ، K: بهینه سازی برای طراحی مهندسی: الگوریتم ها و نمونه ها ، طراحی به کمک رایانه. Pvt Leaing Phi. آموزشی ویبولیتین ، دهلی نو (2009) Google Scholar
39. Rashedi ، E: الگوریتم جستجوی گرانشی. کارشناسی ارشدپایان نامه ، دانشگاه شهید باهونار کرمان ، کرمان (2007) Google Scholar
40. شاه هوسینی ، ح: الگوریتم آب هوشمند آب: یک الگوریتم بهینه سازی مبتنی بر Swarm با الهام از طبیعت. int. محاسبات با الهام از Bio. 1 (1) ، 71-79 (2009) Crossrefgoogle Scholar
41. Dos Santos ، C. L. ، et al .: یک رویکرد آتشفشانی چند منظوره با استفاده از احتمال بتا. IEE ترانس. مگس. 49 (5) ، 2085-2088 (2013) Google Scholar
42. Talbi ، به عنوان مثال: MetaHeuristics: از طراحی تا اجرای ، جلد. 74 ، ص. 500. ویلی ، لندن (2009) Crossrefgoogle Scholar
43. Giacconi ، R. ، Kaper ، L. ، Heuvel ، E. ، Woudt ، P: تحقیقات سیاه چاله گذشته و آینده. در: سیاهچاله ها در باینری ها و هسته های کهکشانی: تشخیص. جمعیت شناسی و شکل گیری ، صص 3-15. اسپرینگر ، برلین ، هایدلبرگ (2001) Google Scholar
44. وانت ، ج: سیاهچاله ها: راهنمای مسافر. ویلی ، لندن (1998) Google Scholar
45. Frolov ، V. P. ، Novikov ، I. D: Phys. Rev. D. 42 ، 1057 (1990) Google Scholar
46. Schutz ، B. F: جاذبه از زمین به بالا. انتشارات دانشگاه کمبریج ، کمبریج. ISBN 0-521-45506-5 (2003) Google Scholar
47. دیویس ، P. C. W: ترمودینامیک سیاهچاله ها. گزارش های مربوط به پیشرفت در فیزیک ، نماینده Prog. فیزیکجلد41 چاپ شده در بریتانیا (1978) Google Scholar
48. هوسلر ، م .: سیاهچاله های ثابت: منحصر به فرد بودن و فراتر از آن. Living Rev. Neativity 1 (1998) ، 6 (1998) MathStineGoogle Scholar
49. Nemati ، M. ، Momeni ، H. ، Bazrkar ، N: الگوریتم سیاهچاله های باینری. int. J. Comput. کاربرد79 (6) ، 36-42 (2013) Google Scholar
50. Jain ، A. K: خوشه بندی داده ها: 50 سال فراتر از K- معنی. به رسمیت شناختن الگویکاهنده31 (8) ، 651-666 (2010) Crossrefgoogle Scholar
51. Akay ، B. ، Karaboga ، D: یک الگوریتم کلونی زنبور عسل اصلاح شده برای بهینه سازی پارامتر واقعی. inf. علمی192 ، 120-142 (2012) Crossrefgoogle Scholar
52. EL-ABD ، م: ارزیابی عملکرد الگوریتم های علوفه در مقابل الگوریتم های تکاملی. inf. علمی182 ، 243 263 (2012) CrossrefmathscinetGoogle Scholar
53. Ghosh ، S. ، Das ، S. ، Roy ، S. ، Islam ، M. S. K. ، Suganthan ، P. N: یک الگوریتم تکاملی سازگار ماتریس دیفرانسیل برای بهینه سازی پارامتر واقعی. inf. علمی182 ، 199 219 (2012) Crossrefgoogle Scholar
54. Fox ، B. ، Xiang ، W. ، Lee ، H: برنامه های صنعتی الگوریتم بهینه سازی کلونی مورچه. int. J. Adv. تولیدتکنول31 ، 805-814 (2007) Crossrefgoogle Scholar
55. Geem ، Z. ، Cisty ، M: استفاده از بهینه سازی جستجوی هارمونی در آبیاری. پیشرفت های اخیر در الگوریتم جستجوی هارمونی ، صص 123-134. Springer ، Berlin (2010) Scholar Crossrefgoogle
56. Selim ، S. Z. ، Ismail ، M. A: الگوریتم های نوع K-Means: یک قضیه همگرایی عمومی و توصیف الگوی بهینه محلی و هوش دستگاه. IEEE ترانس. پامی 6 ، 81-87 (1984) Crossrefmathgoogle Scholar
57. Wang ، J. ، Peng ، H. ، Shi ، P: یک رویکرد بهینه علامت گذاری تصویر بر اساس یک الگوریتم ژنتیکی چند منظوره. inf. علمی181 ، 5501-5514 (2011) Crossrefgoogle Scholar
58. Picard ، D. ، Revel ، A. ، Cord ، M: برنامه ای از اطلاعات Swarm برای بازیابی تصویر توزیع شده. inf. علمی192 ، 71-81 (2012) Crossrefgoogle Scholar
59. Chaturvedi ، د: برنامه های الگوریتم های ژنتیکی برای بارگذاری مشکل پیش بینی. اسپرینگر ، برلین ، صص 383-402 (2008) (مجله محاسبات نرم) Google Scholar
60. Christmas ، J. ، Keedwell ، E. ، Frayling ، T. M. ، Perry ، J. R. B: بهینه سازی کلونی مورچه برای شناسایی ارتباط نوع ژنتیکی با دیابت نوع 2. inf. علمی181 ، 1609-1622 (2011) Crossrefgoogle Scholar
61. Guo ، Y. W. ، Li ، W. D. ، Mileham ، A. R. ، Owen ، G. W: برنامه های کاربردی بهینه سازی swarm ذرات در برنامه ریزی و برنامه ریزی فرآیند یکپارچه. رباتمحاسبات. تولیدElsevier 25 (2) ، 280 288 (2009) Crossrefgoogle Scholar
62. Rana ، S. ، Jasola ، S. ، Kumar ، R: بررسی الگوریتم های بهینه سازی Swarm ذرات و برنامه های آنها در خوشه بندی داده ها. Artifهوشوحی 35 ، 211 222 (2011) Crossrefgoogle Scholar
63. YEH ، W. C: بهینه سازی Swarm جدید برای قوانین طبقه بندی معدن در داده های غده تیروئید. inf. علمی197 ، 65-76 (2012) Crossrefgoogle Scholar
64. Zhang ، Y. ، Gong ، D. W. ، Ding ، Z: یک الگوریتم بهینه سازی ذرات چند بدنی برهنه برای اعزام محیط زیست/اقتصادی. inf. علمی192 ، 213-227 (2012) Crossrefgoogle Scholar
65. Marinakis ، Y. ، Marinaki ، M. ، Dounias ، G: زنبورهای عسل الگوریتم بهینه سازی جفت گیری برای مشکل فروشنده مسافرتی اقلیدسی. inf. علمی181 ، 4684-4698 (2011) CrossrefmathscinetGoogle Scholar
66. Anderberg ، M. R: تجزیه و تحلیل خوشه ای برای کاربرد. Academic Press ، نیویورک (1973) Google Scholar
67. Hartigan ، J. A: الگوریتم های خوشه بندی. ویلی ، نیویورک (1975) Scholar Mathgoogle
68. Valizadegan ، H. ، Jin ، R. ، Jain ، A. K: تقویت نیمه نظارتی برای طبقه بندی چند طبقه. نوزدهمین کنفرانس اروپایی یادگیری ماشین (ECM) ، صص 15-19 (2008) Google Scholar
69. کریس ، دی. ، شیافنگ ، او: ادغام خوشه و تقسیم در الگوریتم های خوشه بندی سلسله مراتبی. پروکIEEE ICDM 2002 ، 1-8 (2002) Google Scholar
70. Leung ، Y. ، Zhang ، J. ، Xu ، Z: خوشه بندی بر اساس فیلتر مقیاس فضایی. IEEE ترانس. الگوی مقعد. ماچهوش22 ، 1396 1410 (2000) Crossrefgoogle Scholar
71. Révész ، ص: در مورد مشکل اشتاینهاوس. ریاضیات اکتا. ACADScientiarum آویزان شد. 16 (3-4) ، 311-331 (1965) Google Scholar
72. Niknam ، T. ، et al: یک الگوریتم بهینه سازی تکاملی ترکیبی کارآمد مبتنی بر PSO و SA برای خوشه بندی. J. Zhejiang Univ. علمیA 10 (4) ، 512-519 (2009) Google Scholar
73. Niknam ، T. ، Amiri ، b: یک رویکرد ترکیبی کارآمد مبتنی بر PSO ، ACO و K-Means برای تجزیه و تحلیل خوشه ای. کاربردرایانه نرم10 (1) ، 183-197 (2011) Crossrefgoogle Scholar
74. Ding ، C. ، He ، X: K-Means خوشه بندی از طریق تجزیه و تحلیل مؤلفه اصلی. مجموعه مقالات بیست و یکمین کنفرانس بین المللی یادگیری ماشین ، صص 29 (2004) Google Scholar
75. Uddin ، M. F. ، Youssef ، A. M: cryptanalysis از رمزهای جایگزینی ساده با استفاده از بهینه سازی ذرات. کنگره IEEE در مورد محاسبات تکاملی ، صص 677-680 (2006) Google Scholar
76. Clerc ، M. ، Keedy ، J .: سوء استفاده از ذرات ، ثبات و همگرایی در یک فضای پیچیده چند بعدی. IEEE ترانس. تحولرایانه. 6 ، 58-73 (2002) Crossrefgoogle Scholar
77. Danziger ، M. ، Amaral Henriques ، M. A: اطلاعات محاسباتی که بر روی رمزنگاری اعمال می شود: یک بررسی کوتاه. معاملات آمریکای لاتین IEEE (Revista IEEE America Latina) 10 (3) ، 1798-1810 (2012) CrossRefGoogle Scholar
78. Chee ، Y. ، Xu ، D: رمزگذاری هرج و مرج با استفاده از هرج و مرج همزمان همزمان گسسته. فیزیککاهندهA 348 (3-6) ، 284-2292 (2006) Crossrefmathgoogle Scholar
79. حسین ، R. M. ، احمد ، H. S. ، El-Wahed ، W: طرح رمزگذاری جدید مبتنی بر نقشه آشوب آور هوشمند. مجموعه مقالات هفتمین کنفرانس بین المللی انفورماتیک و سیستم ها (INFOS) ، صص 1-7 (2010) Google Scholar
80. Chen ، G. ، Mao ، Y: یک طرح رمزگذاری تصویر متقارن مبتنی بر نقشه های گربه هرج و مرج سه بعدی. راه حل های هرج و مرج Fractals 21 ، 749-761 (2004) CrossrefmathmathmathscinetGoogle Scholar
81. Hongbo ، Liu: خصوصیات پویا هرج و مرج در هوش swarm. کاربردرایانه نرم7 ، 1019-1026 (2007) Crossrefgoogle Scholar
82. عزیزی پناه- ابرقویی، ر.، و همکاران: زمان بندی کوتاه مدت سیستم های قدرت حرارتی با استفاده از بهینه ساز آموزش-یادگیری اصلاح شده مبتنی بر گرادیان ترکیبی با الگوریتم سیاه چاله. سیستم قدرت الکتریکیRes. Elsevier 108, 16-34 (2014) Google Scholar
83. بارد، J. F.: برنامه ریزی کوتاه مدت ژنراتورهای حرارتی-الکتریکی با استفاده از آرامش لاگرانژی. اپراتورRes. 36 (5)، 756-766 (1988) CrossRefMATHMathSciNetGoogle Scholar
84. Yu، I. K.، Song، Y. H.: یک تکنیک جدید برنامه ریزی تولید کوتاه مدت واحدهای حرارتی با استفاده از الگوریتم های جستجوی کلونی مورچه ها. بین المللیجی الکتر. سیستم انرژی برق23، 471-479 (2001) CrossRefGoogle Scholar

اطلاعات نویسنده

نویسندگان و وابستگی ها

1. گروه علوم و مهندسی کامپیوتر، موسسه فناوری هند (دانشگاه هندو بنارس)، بنارس، هند سانتوش کومار، دیپانویتا داتا و سانجی کومار سینگ

1. Santosh Kumar