particle swarm optimization algorithm
در نشریات گروه فناوری اطلاعات-
آب های زیرزمینی در مناطق خشک و نیمه خشک مهم ترین منبع آب مورد استفاده برای مصارف شرب و کشاورزی به شمار می آیند. به همین دلیل توجه به کیفیت آن ها اهمیت دارد. نیترات یکی از آلوده کننده های منابع آب زیرزمینی است که توسط فعالیت های کشاورزی و فاضلاب تولید می شود. با توجه به اینکه اندازه گیری نیترات توسط روش های صحرایی و نمونه برداری بسیار پرهزینه و محدود است، استفاده از روش های نوین پیش بینی مانند شبکه های عصبی مصنوعی می تواند ابزار مفیدی برای این کار به شمار رود. استفاده از شبکه های عصبی مصنوعی در مطالعات هیدرولوژیکی دهه اخیر، نشان می دهد این مدل ها توانایی بالائی در کشف رابطه بین داده ها و شناخت الگوها دارند. در این پژوهش شبکه عصبی مصنوعی در ترکیب با الگوریتم PSO و نیز GA برای شبیه سازی میزان نیترات آب های زیرزمینی دشت بهبهان مورد ارزیابی قرار گرفته و عملکرد بسیار مناسبی را از خود نمایش می دهند.
کلید واژگان: الگوریتم بهینه سازی تجمع ذرات، الگوریتم ژنتیک، شبکه عصبی مصنوعی، شبیه سازی، نیترات.Groundwater is the most important water resource for drinking and agricultural usage especially in arid and semi-arid regions. So, it is important to note its quality. Nitrate is one of the groundwater pollutants which is mostly derived from agricultural and wastewater sources. Since nitrate determination using sampling was very expensive and limited, it is necessary to use new prediction methods like artificial neural network. The use of artificial neural networks in hydrological studies of the last decade shows that these models have a high ability to discover the relationship between data and recognize patterns. The success of neural network models in estimating different parameters of water sources has always been emphasized by different researchers.
Keywords: Artificial Neural Network, Genetic Algorithm, Nitrate, Particle Swarm Optimization Algorithm, Simulation -
محاسبات لبه موبایل تجربه کاربران نهایی را برای دستیابی به خدمات مناسب و کیفیت خدمات بهبود می دهد. در این مقاله مسئله بهبود تخصیص منابع هنگام بارگیری وظایف براساس دستگاه های تلفن همراه به سرورهای لبه در سیستم های محاسباتی بررسی می شود. برخی وظایف به صورت محلی پردازش و برخی به سرورهای لبه بارگذاری می شوند. مسئله اصلی این است که وظایف تخلیه شده برای ماشین های مجازی در شبکه های محاسباتی بصورت مناسب زمانبندی شوند تا زمان محاسبات، هزینه خدمات، اتلاف شبکه های محاسباتی و حداکثر ارتباط یک کار با شبکه به حداقل برسد. در این مقاله الگوریتم ترکیبی ازدحام ذرات و گرگ خاکستری برای مدیریت تخصیص منابع و زمان بندی وظایف برای دستیابی به یک نتیجه بهینه در شبکه های محاسبات لبه معرفی شد. نتایج مقایسه نشان دهنده بهبود زمان انتظار و هزینه در رویکرد پیشنهادی است. نتایج نشان می دهد که به طور میانگین مدل پیشنهادی با کاهش 10 درصدی زمان انجام کار و افزایش استفاده از منابع به میزان 16 درصد بهتر عمل کرده است.
کلید واژگان: بهبود تخصیص منابع، محاسبات لبه موبایل، الگوریتم بهینه سازی ازدحام ذرات، الگوریتم گرک خاکستری.Mobile edge computing improves the experience of end users to achieve appropriate services and service quality. In this paper, the problem of improving resource allocation when offloading tasks based on mobile devices to edge servers in computing systems was investigated. Some tasks are processed locally and some are offloaded to edge servers. The main issue is that the offloaded tasks for virtual machines in computing networks are properly scheduled to minimize computing time, service cost, computing network waste, and the maximum connection of a task with the network. In this paper, it was introduced using the hybrid algorithm of particle swarm and gray wolf to manage resource allocation and task scheduling to achieve an optimal result in edge computing networks. The comparison results show the improvement of waiting time and cost in the proposed approach. The results show that, on average, the proposed model has performed better by reducing the work time by 10% and increasing the use of resources by 16%.
Keywords: Improving Resource Allocation, Mobile Edge Computing, Particle Swarm Optimization Algorithm, Gray Wolf Algorithm -
در دنیای امروزی، رایانامه یکی از روش های ارتباطات سریع است و یکی از معضلات رایانامه، هرزنامه ها هستند که در سال های اخیر رشد فراوانی داشته اند. هرزنامه نه تنها باعث آسیب رساندن به منافع کاربران، مصرف زمان و پهنای باند می شوند، بلکه به عنوان تهدیدی برای بهره وری، قابلیت اطمینان و امنیت شبکه شده اند. هرزنامه نویس ها همیشه سعی می کنند راه هایی برای فرار از فیلترهای موجود بیابند؛ بنابراین فیلترهای جدید برای تشخیص هرزنامه ها نیاز به توسعه دارند. بیشتر این فیلترها از ترکیبی از چندین روش مانند روش های سیاه و سفید، استفاده از واژه های کلیدی، فیلترهایی بر پایه قانون، روش های یادگیری ماشین و غیره برای شناسایی دقیق تر هرزنامه ها بهره می برند. در این مقاله، مدلی جدید با استفاده از دو الگوریتم قدرتمند K نزدیک ترین همسایه و الگوریتم بهینه سازی ازدحام ذرات برای شناسایی هرزنامه ها ارایه شده است که از الگوریتم بهینه سازی اجتماع ذرات برای انتخاب ویژگی و از الگوریتم K نزدیک ترین همسایه برای دسته بندی استفاده شده است. شبیه سازی برروی مجموعه داده spambase اجرا شده و کارایی مدل پیشنهادی با استفاده از معیارهای صحت [1]، دقت [2], فراخوانی [3] و F-measure ارزیابی شده است. نتایج نشان می دهد که مدل پیشنهادی در مقایسه با مدل های مشابه و از خود الگوریتم های پایه بهتر عمل کرده و کارایی بهتری دارد.
کلید واژگان: الگوریتم K نزدیک ترین همسایه، الگوریتم بهینه سازی ازدحام ذرات، رایانامه هرزنامه، تشخیص هرزنامه، بهینه سازیEmails are one of the fastest economic communications. Increasing email users has caused the increase of spam in recent years. As we know, spam not only damages user’s profits, time-consuming and bandwidth, but also has become as a risk to efficiency, reliability, and security of a network. Spam developers are always trying to find ways to escape the existing filters, therefore new filters to detect spams need to be developed. Most of these filters take advantage of a combination of several methods, such as black or white lists, using keywords, rule-based filters, machine learning methods and so on, to identify spams more accurately. many approaches about email spam detection exhausted up to now. In this paper, we propose a new approach for spam detection based on Particle Swarm Optimization Algorithm and K-Nearest Neighbor optimization, and we measure performance based on Accuracy, Precision, Recall, And f-measure. The results show that the proposed approach has a better performance than other models and the basic algorithms.
Keywords: K-Nearest Neighbor optimization, Particle Swarm Optimization Algorithm, E-mail Spam, Spam Detection, Optimization -
International Journal of Academic Research in Computer Engineering, Volume:2 Issue: 1, May 2018, PP 5 -16Vector Quantization (VQ) was the powerful technique in image compression. Generating a good codebook is an important part of VQ. There are various algorithms in order to generate an optimal codebook. Recently, Swarm Intelligence (SI) algorithms were adapted to obtain the near-global optimal codebook of VQ. In this paper, we proposed a new method based on a hybrid particle swarm optimization (PSO) and firefly algorithm (FA) to construct the codebook of VQ. The proposed method used PSO algorithm as the initial of FA to develop the VQ. This method is called PSO-FA model. Experimental results indicate that the proposed model is faster than FA. Furthermore, the reconstructed images get higher quality than FA, but it is no significant superiority to the PSO algorithm.Keywords: Image Compression, Vector Quantization, Swarm Intelligence, Firefly Algorithm, Particle Swarm Optimization Algorithm
-
Accurate estimating is one of the most important activities in the field of software project management. Different aspects of software projects must be estimated among which time and effort are of significant importance to efficient project planning. Due to complexity of software projects and lack of information at the early stages of project, reliable effort estimation is a challenging issue. In this paper, a hybrid model is proposed to estimate the effort of software projects. The proposed model is a combination of particle swarm optimization algorithm and a linear regression method in which coefficient finding is optimally performed. Moreover, the estimation equation is adjusted using project size metric so that the most accurate estimate is achieved. A relatively real large data set is employed to evaluate the performance of the proposed model and the results are compared with other models. The obtained results showed that the proposed hybrid model can improve the accuracy of estimates.Keywords: Effort Estimation, Particle Swarm Optimization Algorithm, Software Project, Linear Regression
-
Cloud computing makes it possible for users to use different applications through the internet without having to install them. Cloud computing is considered to be a novel technology which is aimed at handling and providing online services. For enhancing efficiency in cloud computing, appropriate task scheduling techniques are needed. Due to the limitations and heterogeneity of resources, the issue of scheduling is highly complicated. Hence, it is believed that an appropriate scheduling method can have a significant impact on reducing makespans and enhancing resource efficiency. Inasmuch as task scheduling in cloud computing is regarded as an NP complete problem; traditional heuristic algorithms used in task scheduling do not have the required efficiency in this context. With regard to the shortcomings of the traditional heuristic algorithms used in job scheduling, recently, the majority of researchers have focused on hybrid meta-heuristic methods for task scheduling. With regard to this cutting edge research domain, we used HEFT (Heterogeneous Earliest Finish Time) algorithm to propose a hybrid meta-heuristic method in this paper where genetic algorithm (GA) and particle swarm optimization (PSO) algorithms were combined with each other. The results of simulation and statistical analysis of proposed scheme indicate that the proposed algorithm, when compared with three other heuristic and a memetic algorithms, has optimized the makespan required for executing tasks.Keywords: Cloud Computing, Task Scheduling, Genetic Algorithm, Particle Swarm Optimization Algorithm
-
از آنجایی که در شبکه های حسگر بیسیم (WSN) یک ساختار ثابت یا مدیریت متمرکز وجود ندارد، انتخاب تعدادی از حسگرها برای تشکیل یک مجموعه غالب همبند (CDS) به عنوان ستون فقرات مجازی بسیار کارآمد است. در این مقاله، مساله مجموعه غالب همبند با حداقل وزن و محدودیت درجه (DC-MWCDS) برای ساخت ستون فقرات کارآمد انرژی در WSN بهکار برده شده است. مساله DC-MWCDS، CDSای با کمترین وزن و محدودیت درجه برروی گراف شبکه ایجاد میکند. هدف این مقاله پیدا کردن محدودیت درجه و انرژی برای گره های مجموعه غالب (DS) به منظور افزایش طول عمر شبکه است. در اینجا به منظور بیشینه ساختن طول عمر شبکه، با استفاده از الگوریتم بهینهسازی دسته ذرات (PSO) ضریب حداقل انرژی و حداکثر درجه گره ها را پیدا کرده و در هنگام انتخاب گره های DS، گره هایی که انرژی باقیماندهشان کمتر از حاصلضرب ضریب به دست آمده در میانگین انرژی گره های شبکه و یا درجهشان بیشتر از حاصلضرب ضریب حاصل در درجه بیشینه شبکه باشد، نمیتوانند در این رقابت شرکت نمایند. همانطور که در شبیه سازی ها ارائه خواهد شد، الگوریتم پیشنهادی، توانسته است نسبت به روش های مشابه طول عمر شبکه را تا حد زیادی بهبود بخشد.کلید واژگان: ستون فقرات شبکه، مدل UDG، شبکه حسگر بیسیم، الگوریتم بهینه سازی PSO، DC-MWCDSSince there is no fixed infrastructure or centralized management in Wireless Sensor Networks (WSNs), a Connected Dominating Set (CDS) has been proposed as a virtual backbone. In this paper, degree-constrained minimum-weight connected dominating set (DC-MWCDS) problem is used for modeling energy-efficient backbone formation in wireless sensor networks in UDG. DCMWCDS aims at forming degree-constrained backbone and minimizing the weight of the CDS made for network graph simultaneously. The aim of this paper, is proposing an energy efficient connected dominating set (CDS) scheme in wireless sensor networks, which prolongs the network lifetime. In proposed algorithms, we use an optimal weight based on the minimum residual energy and maximum effective degree of nodes for backbone formation to prolong the network lifetime. The optimal weight coefficients are determined using particle swarm optimization (PSO) algorithm. Then, when selecting nodes for dominating set (DS) formation, these coefficients will be used. If the degree of a node is more than coefficient of degree constraint and energy of a node is less than coefficient of energy constraint, the node wont be selected for DS formation. The message and time complexity of the proposed algorithm is O(n). Simulation results show that proposed algorithms outperforms the other methods in terms of network lifetime.Keywords: Network virtual backbone, UDG model, Wireless sensor network, Particle swarm optimization algorithm, DC-MWCDS
-
در ریاضیات و علوم رایانه یک مساله بهینه سازی، مساله یافتن بهترین راه حل از میان همه راه حل های ممکن می باشد. با توجه به اهمیت مساله کوله پشتی درمباحث علوم رایانه، از الگوریتم های مختلفی برای حل آن استفاده شده است. مساله کوله پشتی یک مساله بهگزینی ترکیبیاتی است که هدف از حل آن یافتن بیشترین سود با در نظر گرفتن ظرفیت کوله پشتی است. با توجه به اینکه مساله کوله پشتی یک مساله ماکزیمم سازی مقید است، دراین تحقیق ابتدا یک مدل ریاضی در قالب یک تابع مینیمم سازی و بدون قید برای این مساله طراحی شده، سپس این مدل روی الگوریتم های بهینه سازی توده ذرات، کرم شب تاب و کلونی زنبورمصنوعی در محیط نرم افزار متلب اجرا گردیده که نتایج نشان می دهد الگوریتم کلونی زنبورمصنوعی روی مدل ارائه شده نسبت به دو الگوریتم دیگر عملکرد بهتری از خود نشان داده است. مزیت مدل ارائه شده این است که تابع هدف مساله، به دلیل اینکه مینیمم سازی و بدون قید مدل شده، قابل پیاده سازی با بسیاری از الگوریتم های شبه بیولوژیکی است.کلید واژگان: مساله کوله پشتی، الگوریتم بهینه سازی پرتو ذرات، الگوریتم کرم شب تاب، الگوریتم کلونی زنبور مصنوعیIn mathematics and computer science an optimization problem, the problem is finding the best solution among all possible solutions. Given the importance of the knapsack in computer sciences, different algorithms are used to solve it. Knapsack problem is a combinational problem of selectivity and the purpose of solving the most benefit by taking the capacity is the tolerable knapsack. Since the knapsack is a problem of constrained maximization. In this study, a mathematical model in the form of a function unlimited minimization and designed for it, hen this model on Particle Swarm Optimization , Firefly Algorithm and Artificial Bee Colony has been implemented in MATLAB software environment, The results show that the artificial bee colony algorithm, the model is better than the other two algorithms .The advantage of this model is the objective function , because minimization and unlimited models , to implement with many Bio-Inspired algorithms.Keywords: Knapsack Problem, Particle Swarm Optimization Algorithm, Firefly Algorithm, Artificial Bee Colony Algorithm
-
Studying the resting state functional magnetic resonance imaging (rs-fMRI) has been an important issue for diagnosing of the diseases related to brain function, nowadays. This paper proposes a novel method for diagnosis of the Attention-deficit/hyperactivity disorder (ADHD) diseases that includes three main modules. The first module is the feature extraction that extracts the correlation between the time series of the signals of the different brain regions. In the second module the SVM is used as the classifier. The third module is an optimization algorithm, i.e. particle swarm optimization algorithm (PSO). PSO chooses the appropriate features by changing the length of its particles. The results show that the proposed method has high classification accuracy in comparison with others.Keywords: Resting State Magnetic Resonance Imaging, Attention, deficit, hyperactivity Disorder, Support Vector Machine, Particle Swarm Optimization Algorithm
-
In this paper, the optimal design of a three phase surface mounted permanent magnet synchronous motor has been done by particle swarm optimization and bees algorithm. This machine has been designed for high speed applications, and an epoxy and glass fiber bandage is used for permanent magnet protection against centrifugal forces. The optimization has been done by new design equations to improve loss and torque in the machine. The results show the simultaneous improvement of loss and torque compared with the initial design of the motor.Keywords: surface mounted permanent magnet, optimal design, particle swarm optimization algorithm, Bees algorithm
-
Applying particle swarm optimization (PSO) algorithm has become a widespread heuristic technique in many fields of engineering. In this paper, we apply PSO algorithm in additive white Gaussian noise (AWGN) and multipath fading channels. In the proposed method, PSO algorithm was applied to solve joint multiuser and inter-symbol interference (ISI) suppression problems in the code-division multiple-access (CDMA) systems over multipath Rayleigh fading channel and consequently, to reduce the computational complexity. At the first stage, to initialize the POS algorithm, conventional detector (CD) was employed. Then, time-varying acceleration coefficients (TVAC) were used in the PSO algorithm. The simulation results indicated that the performance of PSO-based multiuser detection (MUD) with TVAC is promising and it is outperforming the CD.Keywords: Code Division Multiple Access, Particle Swarm Optimization Algorithm, Multiple Access Interference, Inter, Symbol Interference, Multiuser Detection
-
Job Shop scheduling problem has significant importance in many researching fields such as production management and programming and also combined optimizing. Job Shop scheduling problem includes two sub-problems: machine assignment and sequence operation performing. In this paper combination of particle swarm optimization algorithm (PSO) and gravitational search algorithm (GSA) have been presented for solving Job Shop Scheduling problem with criteria of minimizing the maximal completion time of all the operations, which is denoted by Makespan. In this combined algorithm, first gravitational search algorithm finds best mass with minimum spent time for a job and then particle swarm Optimization algorithm is performed for optimal processing all jobs.experimental results show that proposed algorithm for solving job shop scheduling problem, especially for solving larger problem presents better efficiency. Combined proposed algorithm has been named GSPSO.Keywords: Gravitational search algorithm, Particle Swarm Optimization algorithm, Flexiblejob shop scheduling
- 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.