[صفحه اصلی ]   [ English ]  
بخش‌های اصلی
درباره دانشکده::
مدیریت دانشکده::
اعضای هیات علمی ::
معرفی افراد::
امور آموزش::
امور پژوهشی::
آموزش الکترونیکی::
پردیس شماره 2::
اخبار و رویدادها::
فضاهای آموزشی و تحقیقاتی ::
تسهیلات پایگاه::
::
ورود به سایت دروس

AWT IMAGE

نام کاربری
کلمه عبور

AWT IMAGE
رمز ورود را فراموش کرده‌اید؟

..
دفاعیه کارشناسی ارشد

دفاعیه کارشناسی ارشد

..
جستجو در پایگاه

جستجوی پیشرفته
..
دریافت اطلاعات پایگاه
نشانی پست الکترونیک خود را برای دریافت اطلاعات و اخبار پایگاه، در کادر زیر وارد کنید.
..
:: جلسه دفاعیه دکترا- خانم بنت الهدی حلمی ::
 | تاریخ ارسال: ۱۳۹۲/۱۲/۲۶ | 

 

AWT IMAGE

خانم بنت‏الهدی حلمی دانشجوی دکترای جناب آقای دکتر عادل رحمانی روز دو شنبه مورخ 19/12/92 ساعت 16 در دانشکده مهندسی کامپیوتر از رساله دکترای خود تحت عنوان یادگیری پیوند در الگوریتم‏های تکاملی برای حل مسائل بهینه سازی با تعاملات چندمتغیره دفاع نمود.

 

  چکیده پایان نامه:

    با افزایش روز افزون سیستم ‌ های پیچیده، نیاز به روش ‌ های بهینه ‌ سازی کارا برای حل این مسائل بیشتر شده است. برای حل کارای مسائل پیچیده، یافتن ساختار مسئله و شکستن آن به زیرمسائل کوچکتر یکی از راه ‌ حل ‌ های کلیدی به ‌ شمار می ‌ آید. مسئله ‌ ی یادگیری پیوند در الگوریتم ‌ های تکاملی روشی برای یافتن بلوک ‌ های سازنده ‌ ی مسائل و شکستن مسائل با توجه به این بلوک ‌ های سازنده به زیرمسائل ساده ‌ تر است. یادگیری پیوند امروزه به عنوان یکی از اصلی ‌ ترین چالش ‌ های الگوریتم ‌ های تکاملی در حل مسائل پیچیده که در آن ‌ ها متغیرها با یکدیگر وابستگی دارند، شناخته شده و مورد توجه قرار گرفته است. تنوع مسائل بهینه ‌ سازی و پیچیدگی این ‌ گونه مسائل در دنیای واقعی از طرفی و گسترش کاربرد روش ‌ های بهینه ‌ سازی تکاملی از سوی دیگر، باعث ایجاد ضرورت طراحی روشی کارا و کم هزینه برای پیدا کردن ارتباطات بین متغیرهای مسئله و بهبود روش ‌ های تکاملی از طریق آگاه کردن آن ‌ ها از بلوک ‌ های سازنده ‌ ی مسئله است. مهمترین و کاراترین الگوریتم ‌ های ارائه شده در بحث یادگیری پیوند، روش ‌ های مبتنی بر یادگیری مدل و مدل ‌ های احتمالی هستند. چالش در طراحی این الگوریتم ‌ ها، ارائه ‌ ی روشی کارا و کم ‌ هزینه برای یادگیری مدلی با قدرت بیان بالا است. به این معنی که مدل مورد نظر بتواند تعاملات پیچیده ‌ ی موجود در مسئله را در خود کد کرده و در نهایت از این مدل برای تخمین دقیق توزیع متغیرها و ایجاد نمونه ‌ هایی بهینه از مسئله استفاده کند. در این رساله، هدف ارائه ‌ ی روشی کارا و مقیاس ‌ پذیر برای حل مسئله ‌ ی یادگیری پیوند از طریق ارائه ‌ ی روشی جدید برای یادگیری مدل مسئله است. مدل مسئله در روش ‌ های ارائه شده در این رساله در قالب درخت پوشای بیشینه و گراف فاکتور یادگرفته می ‌ شود. در راستای حل مسئله ‌ ی یادگیری پیوند، در این رساله الگوریتم بهینه ‌ سازی شایسته ‌ ای ارائه شده است که قادر به حل مسائل با پیچیدگی کران ‌ دار، دارای بلوک ‌ های سازنده ‌ ی هم ‌ پوشان و هم ‌ چنین ساختارسلسله مراتبی است. در روش ‌ های ارائه شده، بلوک ‌ های سازنده ‌ ی مسئله به ‌ صورت صریح ایجاد شده و در دسترس کاربران قرار می ‌ گیرد. در یکی از روش ‌ های ارائه شده از گراف فاکتور به عنوان مدل استفاده شده و برای یادگیری این مدل از روش فاکتورگیری ماتریس غیرمنفی متقارن بهره برده ‌ ایم. با استفاده از گراف فاکتور و تخمین توزیع مبتنی بر فاکتورهای کانونی پوشش مارکوف، روشی کارا و کم ‌ هزینه برای فاکتورگیری آشفته که دارای قدرت بیان بیشتری نسبت به روش ‌ های موجود است، ارائه کرده ‌ ایم. نتایج تئوری و تجربی ارائه شده در این رساله بیانگر کارایی و مقیاس ‌ پذیری الگوریتم ‌ های پیشنهادی در حل مسائل بهینه ‌ سازی در این حوزه است. [1]


  [1]

     

 : Abstract

  By expansion of complex systems, the need for effective optimization methods for solving such systems has increased. To efficiently solve large and difficult problems, proper decomposition according to the variable interactions and building blocks of the system is the key. Linkage learning in evolutionary algorithms is learning the building blocks of the problem and decomposing it into smaller and simpler sub-problems according to those building blocks. Linkage learning is still one of the main challenges in evolutionary algorithms to solve optimization problems in which there are complex interactions between variables. Diversity of optimization problems and the complexity of these problems in real-world necessitate the design and development of effective and efficient linkage learning approaches. One important class of such algorithms are estimation of distribution algorithms. The main challenge in designing such algorithms is introducing an efficient model building approach which is capable of learning a probabilistic model with high representation power. In other words learning a probabilistic model which can encode complex interactions and accurately approximating its distribution, is the main challenge in EDAs. This dissertation presents a competent optimization method which can solve boundedly difficult problems with modularity, hierarchy and overlap by explicit decomposition. The proposed approach utilizes maximum spanning tree construction and symmetric non-negative matrix factorization to learn factor graph of the problem. The Gibbs distribution encoded by factor graph is then approximated using Markov blanket canonical parameterization. The proposed algorithm can efficiently and effectively learn an invalid factorization that has more representation power than the existing methods. The theoretical and experimental results show the scalability, efficiency and effectiveness of the proposed approach in solving complex optimization problems of the domain

 

   

   

 

  ارائه­دهنده:

بنت الهدی حلمی

    استاد راهنما:

  دکتر عادل رحمانی

  هیات داوران:

  دکتر حمید بیگی- دکتر محمدمهدی عبادزاده-دکتر احمد اکبری

  دکتر محمدرضا کنگاوری- دکتر بهروز مینایی

  زمان : دوشنبه 19اسفندماه 1392

  ساعت 16

  مکان: دانشکده مهندسی کامپیوتر- طبقه دوم- اتاق دفاعیه

 

  دانشکده مهندسی کامپیوتر مدیریت تحصیلات تکمیلی

 

دفعات مشاهده: 1897 بار   |   دفعات چاپ: 353 بار   |   دفعات ارسال به دیگران: 9 بار   |   0 نظر
سایر مطالب این بخش سایر مطالب این بخش نسخه قابل چاپ نسخه قابل چاپ ارسال به دوستان ارسال به دوستان
School of Computer Engineering
Persian site map - English site map - Created in 0.177 seconds with 967 queries by yektaweb 3444