چطور این مقاله مهندسی کامپیوتر و IT را دانلود کنم؟
فایل انگلیسی این مقاله با شناسه 2008225 رایگان است. ترجمه چکیده این مقاله مهندسی کامپیوتر و IT در همین صفحه قابل مشاهده است. شما می توانید پس از بررسی این دو مورد نسبت به خرید و دانلود مقاله ترجمه شده اقدام نمایید
حجم فایل فارسی :
1 مگا بایت
نوع فایل های ضمیمه :
Pdf+Word
کلمه عبور همه فایلها :
www.daneshgahi.com
عنوان فارسي
یک روش فوق ابتکاری انتخابی مبتنی بر تانسور برای جستجوی ابتکاری بین-حوزه ای
عنوان انگليسي
A tensor-based selection hyper-heuristic for cross-domain heuristic search
این مقاله چند صفحه است؟
این مقاله ترجمه شده مهندسی کامپیوتر و IT شامل 21 صفحه انگلیسی به صورت پی دی اف و 46 صفحه متن فارسی به صورت ورد تایپ شده است
چکیده
الگوریتم های فوق ابتکاری (هایپر-هیوریستیک) روش های جستجوی سطح بالا و خودکاری هستند که مجموعه ای از الگوریتم های ابتکاری (هیوریستیک) سطح پایین را برای حل مسائل محاسباتی پیچیده مدیریت می کنند. یک روش انتخاب هایپر-هیوریستیک معمولی، انتخاب هیوریستیک را با روش های «پذیرش حرکت» در یک چارچوب جستجوی تک-نقطه ای تکراری ترکیب می کند. در هر مرحله، پاسخ حاصل از مرحله قبل، پس از اعمال هیوریستیک انتخابی اصلاح شده و درباره قابل قبول بودن پاسخ جدید تصمیم گیری می شود. ما در این مطالعه، دنباله یک روش هایپر-هیوریستیک را به صوت یک تانسور مرتبه سه نشان می دهیم. با فاکتور گیری از چنین تانسوری می توان به روابط میان هیوریستیک های سطح پایین و خود هایپر-هیوریستیک پی برد. در رویکرد یادگیری که در این مقاله پیشنهاد شده است، مجموعه هیوریستیک های سطح پایین به دو زیرمجموعه تقسیم می شوند؛ بطوری که هیوریستیک های موجود در هر زیرمجموعه مربوط به یک روش «پذیرش حرکت» جداگانه می باشند. پس از تقسیم مجموعه هیوریستیک ها، یک هایپر-هیوریستیک چند-مرحله ای تشکیل می شود و بر اساس آن، هیوریستیک ها هنگام حل یک نمونه مسئله مشخص مجازند در هر مرحله تنها همراه با روش پذیرش مربوط به خود عمل کنند. بر اساس تحقیقات ما، این اولین بار است که از روش تحلیل تانسور فضای هیوریستیک به عنوان رویکردی از علم داده ها برای بهبود کارایی یک هایپر-هیوریستیک استفاده می شود. نتایج حاصل از آزمایشات انجام شده بر روی شش مسئله در حوزه های مختلف، موفقیت رویکرد پیشنهادی را نشان می دهند.
1-مقدمه
الگوریتم های هایپر-هیوریستیک (فوق ابتکاری)، روش های کارآمد و موثری برای حل مسائل محاسباتی پیچیده محسوب می شوند. این الگوریتم ها به جای آنکه مستقیما به دنبال جواب بگردند، عملیات جستجو را بر روی فضای تشکیل شده توسط مجموعه ای از هیوریستیک های سطح پایین اجرا می کنند [۴۹]. برک و همکارانش [۱۳] جهت حل مسائل جستجوی پیچیده، هاپیر-هیوریستیکی به عنوان یک روش جستجو یا مکانیزم یادگیری برای انتخاب و یا تولید هیوریستیک ها مطرح کردند....
هایپر-هیوریستیک (فوق ابتکاری) علم داده ها یادگیری ماشین
:کلمات کلیدی
Abstract
Hyper-heuristics have emerged as automated high level search methodologies that manage a set of low level heuristics for solving computationally hard problems. A generic selection hyper-heuristic combines heuristic selection and move acceptance methods under an iterative single point-based search framework. At each step, the solution in hand is modified after applying a selected heuristic and a decision is made whether the new solution is accepted or not. In this study, we represent the trail of a hyper-heuristic as a third order tensor. Factorization of such a tensor reveals the latent relationships between the low level heuristics and the hyper-heuristic itself. The proposed learning approach partitions the set of low level heuristics into two subsets where heuristics in each subset are associated with a separate move acceptance method. Then a multi-stage hyper-heuristic is formed and while solving a given problem instance, heuristics are allowed to operate only in conjunction with the associated acceptance method at each stage. To the best of our knowledge, this is the first time tensor analysis of the space of heuristics is used as a data science approach to improve the performance of a hyper-heuristic in the prescribed manner. The empirical results across six different problem domains from a benchmark indeed indicate the success of the proposed approach
Keywords:
Hyper-heuristic Data science Machine learning
سایر منابع مهندسی کامپیوتر و IT-نرم افزار در زمینه روش فوق ابتکاری