metaheuristic algorithm
در نشریات گروه فناوری اطلاعات-
Detecting white blood cells (WBC) in microscopic images is essential in medical diagnosis. Manual analysis of these images is time-consuming and has a high error rate. Using object detection for WBCs detection with deep convolutional neural networks (CNN) can be considered a practical and effective solution. In this study, a CNN model is proposed to classify these images. In order to achieve optimal training performance, CNNs have many hyperparameters, such as dropout rate, number of hidden units in each hidden layer, activation function, loss function and optimizer, which need to be optimized. Therefore, a hyperparameter optimization approach based on a genetic algorithm is suggested, which can then be used to select the best combination parameters to improve accuracy and efficiency in detecting white blood cells in microscopic images. This new approach is significant and flexible for medical technicians to use in clinical practice for examining blood cell microscopy. In this research, the images were classified into five classes and the mean accuracy of the model for the five classes was 87%, which is considered a good accuracy for classification into five classes.
Keywords: Image Processing, Deep Learning, Metaheuristic Algorithm, Convolutional Neural Network, Histopathology Image Processing -
الگوریتم تکامل شوراهای شهر (CCE)، یک نوع الگوریتم فراابتکاری است که با توجه به ماهیت تشکیل شوراها از کوچکترین محله ها تا بزرگترین مناطق شهری، از فرآیند تشکیل شورای عالی یک شهر الهام گرفته شده است. در این مقاله می خواهیم کارایی الگوریتم CCE را با دو تغییر مهم در آن بهبود بدهیم. اولین تغییر مربوط به کاهش پیوسته ی اندازه ی جمیعت با استفاده از تکنیک کاهش خطی جمعیت (LPSR) است. در این تکنیک، اندازه ی جمعیت در تکرارهای اولیه ی الگوریتم به اندازه ی کافی بزرگ در نظر گرفته می شود تا الگوریتم بتواند مناطق وسیعی از فضای جستجو را پیمایش کند. با پیشروی الگوریتم، اندازه ی جمعیت به تدریج کاهش داده می شود تا سرعت همگرایی افزایش یابد. دومین تغییر به دامنه ی متغیرها مربوط می شود که به طور پیوسته کاهش می یابد تا فضای جستجو محدودتر شده و در نتیجه، امکان یافتن راه حل های بهینه افزایش پیدا کند. برای ارزیابی و مقایسه ی کارایی الگوریتم تکامل شوراهای شهر بهبودیافته (تحت عنوان ICCE که در این مقاله مطرح شده است) با الگوریتم های تکامل شوراهای شهر (CCE)، بهینه سازی شامپانزه، بهینه سازی بیوه سیاه، بهینه ساز سیاسی، بهینه ساز جفت گیری بارناکل ها، بهینه سازی مار و بهینه ساز آکیلا، آن ها را روی 29 تابع تست از مسابقات سال 2017 مربوط به کنگره IEEE در زمینه محاسبات تکاملی (CEC 2017) اجرا می کنیم. نتایج آزمون های میانگین رتبه ی فریدمن و رتبه علامت دار ویلکاکسون، کارایی بالای الگوریتم ICCE را نسبت به الگوریتم های مذکور تایید می کنند.کلید واژگان: تکامل، الگوریتم فراابتکاری، سرعت همگرایی، محاسبات تکاملی، تابع تستCity Councils Evolution algorithm (CCE) is a metaheuristic algorithm inspired by the formation process of the supreme council of a city due to the formation of councils from the smallest neighborhoods to the largest regions. In this paper, we want to improve the performance of CCE by applying two important changes.The first change is about the continuous reduction of the population size using Linear Population Size Reduction (LPSR) technique. In this technique, the population size in the initial iterations is considered large enough such that it can explore wide areas of search space. As the algorithm progresses, the population size is gradually reduced to increase the convergence speed. The second change is related to the domain of variables, which is constantly reduced to limit the search space, and so the possibility of finding optimal solutions is increased. To evaluate and compare the performance of ICCE with CCE, Chimp Optimization, Black Widow Optimization, Political Optimizer, Barnacles Mating Optimizer, Snake Optimizer, and Aquila Optimizer, we implement them on 29 test functions from 2017 IEEE Congress on Evolutionary Computation (CEC 2017). The results of Friedman mean rank and Wilcoxon signed-rank tests confirm the higher performance of ICCE compared to other algorithmsKeywords: evolution, Metaheuristic Algorithm, Convergence Speed, Evolutionary computing, test function
-
Supplier selection is the practice of evaluating and selecting the best or most suitable supplier for the organization based on the candidates' qualities and qualifications. In large construction projects, supplier selection strongly impacts the quality of materials as well as the cash-flow and logistical support of the project. The issue becomes particularly important when a high number and volume of orders and a varied set of items are involved. If the procurement process is organized into several periods, the impact of Net Present Value (NPV) on the project's overall profit or loss becomes significant, as well. In this study, the solution to a multi-product multi-period supplier selection optimization problem is evaluated using a hybrid metaheuristic algorithm and considering the cash flow. Our analysis of the results shows that the algorithm is able to obtain the intended outcome within an appropriate timeframe and with high precision.Keywords: optimization, Supplier selection, Metaheuristic Algorithm, Net Present Value
- نتایج بر اساس تاریخ انتشار مرتب شده‌اند.
- کلیدواژه مورد نظر شما تنها در فیلد کلیدواژگان مقالات جستجو شده‌است. به منظور حذف نتایج غیر مرتبط، جستجو تنها در مقالات مجلاتی انجام شده که با مجله ماخذ هم موضوع هستند.
- در صورتی که می‌خواهید جستجو را در همه موضوعات و با شرایط دیگر تکرار کنید به صفحه جستجوی پیشرفته مجلات مراجعه کنید.
©2000-2025 magiran.com All Rights Reserved.