در این مقاله ابتدا نوعی از بهینهسازی جایگشت معرفی شده است. در این نوع بهینهسازی فرض گردیده که تابع هزینه، دارای یک تابع توزیع احتمال ناشناخته است. این فرض باعث میشود که پیچیدگی حل مسئله یافتن جایگشت بهینه که به دلیل بزرگی ذاتی فضای جوابها پیچیده است، تشدید شود. یک ا چکیده کامل
در این مقاله ابتدا نوعی از بهینهسازی جایگشت معرفی شده است. در این نوع بهینهسازی فرض گردیده که تابع هزینه، دارای یک تابع توزیع احتمال ناشناخته است. این فرض باعث میشود که پیچیدگی حل مسئله یافتن جایگشت بهینه که به دلیل بزرگی ذاتی فضای جوابها پیچیده است، تشدید شود. یک الگوریتم مبتنی بر آتاماتای یادگیر توزیعشده برای حل مسئله از طریق انجام توأمان جستجو در فضای جوابهای جایگشت و نمونهگیری از مقادیر تصادفی ارائه میدهیم. ضمن بررسی ریاضی رفتار الگوریتم جدید پیشنهادی، نشان میدهیم که با انتخاب مقادیر مناسب پارامترهای الگوریتم یادگیر، این روش جدید میتواند جواب بهینه را با احتمالی به اندازه دلخواه نزدیک به ۱۰۰% و از طریق هدفمندکردن جستجو به کمک آتاماتای یادگیر توزیعشده پیدا کند. نتیجه اتخاذ این سیاست، کاهش تعداد نمونهگیریها در روش جدید در مقایسه با روشهای مبتنی بر نمونهگیری استاندارد است. در ادامه، مسئله یافتن درخت پوشای کمینه در گراف تصادفی به عنوان یک مسئله بهینهسازی جایگشت تصادفی بررسی گردیده و راه حل ارائهشده مبتنی بر آتاماتای یادگیر برای حل آن به کار گرفته شده است.
پرونده مقاله
<p>چکیده: ماژولاریتی، یکی از ویژگی های برجسته شبکه های پیچیده است که ساختار این شبکه ها را به صورت گروه های جامعه ای تقسیم می کند. تاکنون، روش های زیادی برای شناسایی جوامع در شبکه های پیچیده به کار گرفته شده است، اما برخی از این روش ها بهینه سازی های محلی دارند که به تر چکیده کامل
<p>چکیده: ماژولاریتی، یکی از ویژگی های برجسته شبکه های پیچیده است که ساختار این شبکه ها را به صورت گروه های جامعه ای تقسیم می کند. تاکنون، روش های زیادی برای شناسایی جوامع در شبکه های پیچیده به کار گرفته شده است، اما برخی از این روش ها بهینه سازی های محلی دارند که به ترتیب پردازش نودها، جواب نهایی را تحت تاثیر قرار می دهند. در این مقاله، یک روش جدید برای یافتن جوامع در شبکه های پیچیده با استفاده از تقسیم و ادغام پیشنهاد شده است. در این روش، از درخت پوشای کمینه به عنوان یک ابزار برای تشخیص عدم تشابه بین نودها استفاده می شود. در فرایند تقسیم، یال هایی که بیشترین عدم تشابه را نشان می دهند، در درخت پوشای کمینه حذف می شوند تا گروه های کوچکتری از نودهای یک جامعه ایجاد شوند. در فرایند ادغام، هر گروه با گروه همسایه ادغام می شود که ترکیب آنها بیشترین افزایش ماژولاریتی را نسبت به گروه های همسایه دیگر داشته باشند. نتایج آزمایش های انجام شده بر روی شبکه های واقعی و شبکه های ساختگی نشان می دهد که روش پیشنهادی در این مقاله، دقت بهتری برای شناسایی جوامع در شبکه های پیچیده دارد.</p>
پرونده مقاله