بهترین و مطمئن ترین کارگزاران

انتخاب دودویی

نظرات شما بسیار ارزشمند هستند. به دیگران کمک کنید تا بیشتر بدانند. نظرات شما توسط کارشناسان بررسی، تایید و پاسخ داده می شوند. اگر ایمیلتان را وارد کنید، پاسخ کارشناسان برای شما ایمیل می شود.

ارائه مدل ترکیبی الگوریتم مورچگان باینری و ماشین بردار پشتیبان ( BACO-SVM ) برای انتخاب ویژگی و طبقه بندی مشتریان بانکی به همراه مطالعه موردی (مقاله علمی وزارت علوم)

یکی از مهم ترین مسائلی که همواره بانک ها و موسسات مالی با آن مواجه هستند، مسئله ریسک اعتباری می باشد. رقم قابل توجه مطالبات معوق بانک ها در سراسر جهان نشان دهنده اهمیت این موضوع و لزوم توجه به آن می باشد. از این رو تاکنون تلاش های بسیاری به منظور ارائه مدلی کارا جهت ارزیابی و طبقه بندی هر چه دقیق تر متقاضیان تسهیلات اعتباری صورت گرفته است. در این راستا، پژوهش حاضر سعی در ارائه رویکردی نو برای ارزیابی ریسک اعتباری مشتریان بانکی دارد. روش ماشین بردار پشتیبان ( SVM ) به عنوان طبقه بندی کننده ی اصلی با یک روش انتخاب ویژگی به نام الگوریتم مورچگان باینری ( BACO-SVM ) ترکیب می گردد. به منظور نشان دادن اثر بخشی روش پیشنهادی از داده های مربوط به 85 شرکت از تسهیلات گیرندگان حقوقی یک بانک ایرانی در یک بازه ی 5 ساله (1389-1393) به همراه 16 ویژگی مربوط به هر یک از آن ها استفاده نموده ایم. نتایج روش BACO-SVM با روش PSO-SVM، GA-SVM و روش SVM به تنهایی مقایسه گردیده است. یافته های پژوهش دلالت بر آن داشته که در ارزیابی ریسک اعتباری، مدل BACO-SVM نسبت به روش های دیگر از عملکرد خوبی برخوردار است. در نتیجه با استفاده از روش BACO-SVM به طبقه بندی مشتریان به دو گروه مشتریان خوش حساب و بدحساب می پردازیم. و در نهایت جهت افزایش انعطاف پذیری در تصمیم گیری، مشتریان خوش حساب را با استفاده از روش VIKOR رتبه بندی می کنیم. این رتبه بندی منجر به آن می شود که قضاوت دقیق تری درباره ی وضعیت ریسک اعتباری متقاضیان خوش حساب صورت گیرد.

انتخاب دودویی

ترجمه این مقاله با کیفیت عالی آماده خرید اینترنتی میباشد. بلافاصله پس از خرید، دکمه دانلود ظاهر خواهد شد. ترجمه به ایمیل شما نیز ارسال خواهد گردید.

بهینه سازی ازدحام ذرات دودویی اصلاح شده، MBPSO

به روزرسانی سرعت و موقعیت برای MBPSO

عملیات جهش برای MBPSO

فرمول نویسی مسئله

الگوریتم انتخاب گره ها مبتنی بر MBPSO

آزمایش شبیه سازی و آنالیز نتیجه حاصله

Considering the problem of nodes selection in multi-target tracking of wireless sensor networks, a modified binary particle swarm optimization with a novel particle encoding method and particle position update rules and a mutation operation. Based on this modified binary particle swarm optimization, a nodes selection mechanism was proposed to maximize measurement information. The penalty function method was used to convert the constraint problem into an unconstrained one. The mechanism exploited the convergence speed and global search ability of the particle swarm optimization algorithm to make the optimization process achieving high-quality solutions in a short period of time. Finally, the experimental results show that the proposed nodes selection mechanism is significantly better than the classical branch and bound algorithm, and satisfies the needs of large-scale network nodes selection.

مسئله انتخاب گره ها در ردیابی چند هدفه شبکه های حسگر بی سیم، یعنی بهینه سازی ازدحام ذرات دودویی اصلاح شده با روش رمزگذاری ذرات جدید و قواعد به روزرسانی موقعیت ذرات و عملیات جهش (موتاسیون)، را در نظر بگیرید. براساس روش بهینه سازی ازدحام ذرات دودویی اصلاح شده، برای به حداکثر رساندن اطلاعات اندازه گیری، مکانیزم انتخاب گره ها پیشنهاد گردید. از روش تابع پنالتی برای تبدیل مسئله مقید به غیر مقید استفاده گردید. مکانیزم پیشنهادی از سرعت همگرایی و توانایی جستجوی کلی و سراسری الگوریتم بهینه سازی ازدحام ذرات جهت دستیابی فرایند بهینه سازی به راه حل هایی با کیفیت بالا در دوره زمانی کوتاه استفاده نمود. بالاخره، نتایج آزمایش نشان می دهد مکانیزم انتخاب گره های پیشنهادی بسیار بهتر از الگوریتم شاخه و حد کلاسیکی انتخاب دودویی عمل کرده و نیازهای انتخاب گره های شبکه در مقیاس بزرگ را تامین می نماید.

IRE: Inductive Rule Extraction

الگوریتم ژنتیک دودویی و پاسخ به پنج سوال مهم درباره آن

قدرت انتخاب و تصمیم‌گیری مختص انسان است؛ اما من در عجبم که طبیعت به چه خوبی و بهتر از هر کسی دیگری در این عالم، از عهده آن برمی‌آید.

و در آینده نزدیک به کمک این مطالب الگوریتم ژنتیک دودویی را در متلب پیاده سازی خواهیم کرد. با ما در ادامه همراه باشید.

دو تیپ از الگوریتم‌ ژنتیک اجرایی شده است که هر دوی آن‌ها صورت مشابهی از مدل‌سازی یعنی ترکیب ژنتیک و انتخاب طبیعی را دنبال می‌کنند. یکی، متغیر‌ها را به صورت یک رشته‌ی دودویی کد شده نمایش می‌دهد؛ و با رشته‌های دودویی کار می‌کند در حالیکه دیگری با متغیر‌های پیوسته کار می‌کند.

در مقایسه با تکامل بیولوژیک، الگوریتم ژنتیک دودویی نیز با یک جمعیت اولیه از اعضای تصادفی شروع به کار می‌کند. هر رشته باینری(کروموزوم)، ویژگی‌های انتخاب شده‌ی(Selected Characteristics) یکی از اعضای جمعیت را نشان می‌دهد. می‌توان دو رشته‌ای را که به تصادف انتخاب شد‌ه‌اند، با یکدیگر ترکیب کرد در این صورت دو رشته جدید به وجود می‌آیند که ترکیبی از ویژگی‌های دو رشته دیگر هستند؛ پس هر رشته‌ باینری جدید، بخش‌های از رشته‌های باینری والدین خود را شامل می‌شود.

الگوریتم ژنتیک همانند هر الگوریتم بهینه‌سازی دیگر با تعریف متغیر‌های بهینه‌سازی، تابع هزینه(Cost Function) و هزینه(Cost) شروع می‌شود و مانند سایر الگوریتم‌های بهینه‌سازی با آزمایش همگرایی(Convergence) به پایان می‌رسد. سلسه مراتب اجرای الگوریتم ژنتیک دودویی به صورت یک فلوچارت ساده، در شکل1 نشان داده شده است.

نقطه قوت الگوریتم ژنتیک این است که بر خلاف بسیاری از روش‌ها، هیچ مشکلی برای کار با داده‌های گسسته ندارد.

تابع هزینه(f) خروجی را بر حسب مجموعه‌ای از متغیر‌های ورودی(کروموزوم) تولید می‌کند. هدف این است که خروجی را با برخی از روش‌های مطلوب، با پیدا کردن مقادیر مناسب برای متغیر‌های ورودی، تغییر دهیم. خواهیم دید که تعریف یک تابع هزینه‌یِ مناسب و انتخاب دودویی تصمیم برای تعیین متغیرهایی که باید استفاده شوند، کاملا مرتب هستند.

نکته: در ادبیات مربوط به الگوریتم ژنتیک اصطلاح برازندگی به طور گسترده برای اشاره به خروجی تابع هزینه استفاده می‌شود؛ ولی از آن‌جای‌که بیشتر مسائل بهینه‌سازی از نوع کمینه‌سازی هستند ما در اینجا از اصطلاح هزینه استفاده کرده‌ایم.

الگوریتم ژنتیک به وسیله تعریف یک کروموزوم یا آرایه‌ای از مقادیر متغیرها برای بهینه‌سازی شروع می‌شود. اگر یک کروموزوم $$N_$$ متغیر داشته باشد که توسط$$P_,P_,P_. P_>$$ داده شده باشند؛ سپس کروموزوم به صورت یک بردار ردیفی $$N_$$ عنصری نوشته می‌شود.

اغلب تابع هزینه بسیار پیچیده است. کاربر بایستی تصمیم بگیرد کدام متغیر‌های مسئله مهم‌تر هستند. متغیر‌هایِ بیش از حد، الگوریتم ژنتیک را به دردسر می‌اندازند. برخی اوقات، تعداد صحیح و انتخاب متغیر‌ها از تجربه یا اجراهای بهینه‌سازی آزمایشی به دست می‌آیند؛ اوقات دیگر، یک تابع هزینه تحلیلی برای این کار وجود دارد. بیشتر مسائل بهینه‌سازی نیاز به محدودیت‌ها یا مرزهای برای متغیر دارند.

انتخاب دودویی

آشکارسازی اهداف با ابعاد زیرپیکسل یکی از چالش­های اساسی در پردازش تصاویر ماهواره­ای می­باشد. با توجه به قدرت تفکیک طیفی بالای تصاویر ابرطیفی، آشکارسازی اهداف از اهمیت ویژه­ای در آنالیز این نوع داده­ها برخوردار می­باشد. از اینرو، انتخاب باندهای طیفی بهینه به منظور بهبود آشکارسازی اهداف زیرپیکسلی به عنوان یکی از راه­کارهای مرسوم مورد توجه محققین است. نبود داده­های آموزشی یکی از اصلی ترین ضعف­های انتخاب باندهای بهینه برای آشکارسازی انتخاب دودویی اهداف زیرپیکسلی می­باشد. در این تحقیق بر مبنای الگوریتم بهینه­سازی توده ذرات ( PSO )، روشی جدید جهت انتخاب باند به منظور آشکارسازی اهداف زیر پیکسلی در تصاویر ابرطیفی معرفی شده است. در روش پیشنهادی، ابتدا طیف هدف مورد نظر به صورت تصادفی در یک­سری پیکسل­های میزبان از کل تصویر ابرطیفی کاشت می­شود. سپس، با هدف کمینه­سازی نرخ هشدار اشتباه در آشکارسازی هدف، به روش برآوردگر همدوسی­های انطباقی ( ACE )، باندهای طیفی از طریق الگوریتم PSO انتخاب می­شوند. به منظور ارزیابی میزان دقت روش پیشنهادی، دو مجموعه داده ابرطیفی از سنجنده­های Hymap و Hyperion استفاده شده است. نتایج تجربی به دست آمده نشان می دهند که بر اساس معیار کمترین مقدار هشدار اشتباه و مساحت زیر نمودار ROC ، روش انتخاب باند پیشنهادی نسبت به حالت استفاده از تمام باندها، روش الگوریتم ژنتیک ( GA )، روش ژنتیک وزن­دار ( WG ) ، و همچنین روش­های متداول PSO مبنا ، حداکثر نسبت زیرمجموعه ( MSR ) و ضریب همبستگی ( CC )، انتخاب دودویی از کارایی بالاتری برخوردار می­باشد.

Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

Sharifi hashjin S, Darvishi boloorani A, Khazai S, Abdollahi Kakroodi A. Optimum Band Selection for Target Detection in Hyperspectral Imagery based on Binary PSO . JGST. 2019; 8 (3) :69-83
URL: http://jgst.issge.ir/article-1-736-fa.html

شریفی هشجین شهرام، درویشی بلورانی علی، خزائی صفا، عبداللهی کاکرودی عطاءاله. انتخاب باندهای بهینه برای آشکارسازی اهداف در تصاویر ابرطیفی برمبنای روش بهینه سازی توده ذرات دودویی . نشریه علمی پژوهشی علوم و فنون نقشه برداری. 1397; 8 (3) :83-69

معمای ریاضی : شمارش صفر و یک ها در دنباله باینری

دنباله دودوئی (باینری) به طول 12 داریم از وضعیت صفر و یک های آن، سوالی مطرح می کنیم.

می دانیم تعداد دنباله دودوئی (باینری) به طول n برابر 2n است زیرا برای هر رقم دو انتخاب 1 و 0 وجود دارد. به عنوان مثال، هشت دنباله دودوئی به طول سه عبارتند از:

111 110 101 100 011 010 001 000

الف) چند دنباله دودوئی به طول 12 وجود دارند که دقیقا حاوی شش عدد 0 باشند؟

ب) چند دنباله به طول 12 وجود دارند که تعداد 0 های آن بیش از تعداد 1 هایش باشند؟

الف) از 12 رقم یک یک دنباله، شش موقعیت آن به 1 ها اختصاص دارد. 924 انتخاب برای این شش موقعیت وجود دارد:

ب) تعداد 3172=924-2 12 دنباله وجود دارد که در آنها تعداد 1ها و 0ها برابر نیستند. از این تعداد در نصف آنها، تعداد 0ها بیشتر از تعداد 1هاست؛ یعنی 1586 دنباله.

نظرات شما بسیار ارزشمند هستند. به دیگران کمک کنید تا بیشتر بدانند. نظرات شما توسط کارشناسان بررسی، تایید و پاسخ داده می شوند. اگر ایمیلتان را وارد کنید، پاسخ کارشناسان برای شما ایمیل می شود.


اعضای سایت می توانند انتخاب دودویی نمونه سوالات و فایل های آموزشی را دانلود کنند. همینطور، بعضی از مطالب فقط به اعضای سایت نمایش داده می شود. اطلاعات مهم، تغییرات مهم آموزشی به اعضای سایت اطلاع رسانی می شود. اعضای سایت هیچ محدودیتی در استفاده از امکانات سایت ندارند و می توانند در تمام آزمون های آنلاین شرکت کنند و از تمام امکانات سایت و بخش اعضا استفاده کنند.
همین حالا نزدیک به 200 هزار نفر دیگر هم عضو فعال سایت سرزمین تیزهوش ها هستند. چرا شما به این خانواده بزرگ نمی پیوندید؟

مقالات مرتبط

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

برو به دکمه بالا