الگوریتم بهینه سازی Bayesian 76 ص

لینک دانلود و خرید پایین توضیحات
دسته بندی : وورد
نوع فایل :  word (..doc) ( قابل ویرایش و آماده پرینت )
تعداد صفحه : ۷۶ صفحه

 قسمتی از متن word (..doc) : 
 

‏۱
‏الگوریتم بهینه سازی Bayesian‏
‏مراجع‏‌‏را می‏‌‏توان به عنوان یک ترازوی خوب برای مقایسه روشهای مختلف بکار برد. بعنوان مثال: مراجع استراتژی، انتخاب و جایگزینی را بکار گرفتند که با r BOA‏ ها یکسانند. در‏‌‏بین الگوریتم‏‌‏های متنوع‏‌‏دانش سرپرستی برای انجام دادن مدلهای مخلوط، دسته بندی یک کاندیدای مناسب برحسب بازدهی محاسباتی دیده شده است.
‏بطور کلی EDA‏ها یک تقریب تقسیمی را بکار می‏‌‏گیرند که تلاش می‏‌‏کند یک مجموعه از اطلاعات‏‌‏چند بعدی را به تعدادی‏‌‏زیر مجموعه دسته بندی کند. مثالهای محتمل شامل الگوریتم K- Means‏ و الگوریتم رهبر تصادفی (RLA‏) است.
‏مکانیزم آنها در زیر به صورت مختصر شرح داده شده است:
‏الگوریتم K- means‏ نمونه‏‌‏های داده را به K‏ زیر مجموعه غیر تهی تقسیم می‏‌‏کند. مختصات میانگین حسابی گروههای رایج محاسبه می‏‌‏شود و هر نمونه به نزدیکترین تقسیم‏‌‏بندی اشاره می‏‌‏کند. پروسه ادامه می‏‌‏یابد تا زمانیکه گمارش دیگری اتفاق نیافتد. در RLA‏ هر نمونه تصادفی انتخاب شده متعلق به نزدیکترین طبقه بندی که رهبر آن فاصله با نمونه‏‌‏اش زیر حد داده شده قرار دارد. نتیجه پس از فقط یکبار مرور کردن هر نمونه بدست می‏‌‏آید.
‏توجه کنید که الگوریتم RLA‏ سریعتر از الگوریتم K- means‏ است. (RLA‏) تا حدودی کمتر دقیق است. علاوه بر این تکرار که در مدلهای مختلف استفاده می‏‌‏شود (در مدل انتخاب) کمتر از مدلهای جاسازی است. بنابراین الگوریتم K- means‏ و RLA‏ (با حدی به میزان ۰.۳‏) به ترتیب کاندیداهای مناسبی برای مدل انتخاب و مدل جاسازی هستند. مدل جاسازی و مدل نمونه برداری با توجه به کارایی‏‌‏شان برای مسائل بزرگ تجزیه پذیر، براساس اصل حداکثر ترکیب زیر مسئله‏‌‏ها انجام داده می‏‌‏شوند.
‏۲
‏نتایج کارایی r BOA‏
‏علاوه بر این توزیع احتمال نرمال به علت فواید ذاتی (خصوصیات ‏تقریب نزدیک و تجزیه مناسب و آسان) آن به کار گرفته شده است. انتخاب کوتاه که نیمه بالای جامعه را انتخاب می‏‌‏کند و BIC‏ با Eq‏، (۵،۶) که ‏ ‏پارامتر تنظیم آن ۰.۵ است برای یادگیری یک مدل آماری استفاده نشده بودند. سیاست تجزیه بدترین نیمه جامعه را با نسل جدید تولید شده جایگزین می‏‌‏کند. (یعنی جایگزینی نخبه‏‌‏ها) چون هیچ اطلاعات قدیمی در ساختار مسئله وجود ندارد. ما ۱- ‏ را برای تعداد والده‏‌‏های مجاز در نظر می‏‌‏گیریم، هیچ محدودیتی در مدل انتخاب وجود ندارد. هر آزمایش وقتی که بهینه پیدا شود یا تعداد نسلها به دویست برسد پایان داده می‏‌‏شود. همه نتایج بعد از ۱۰۰ اجرا میانگین گرفته می‏‌‏شود.
‏شکل‏ ‏۵،۷ میانگین تعداد محاسباتی را Rboa‏ انجام می‏‌‏دهد تا بهینه RDP‏ را با‏، ‏ نشان می‏‌‏دهد. همچنین این شکل نتیجه PSNR‏ با ‏ را نشان می‏‌‏دهد.
.۵.۷‏ نتایج آزمایشگاهی و مذاکره
‏۵. بهینه سازی الگوریتم Bayesian‏
‏اندازه مسئله n
‏(a‏) نتایج برای RDP‏ ‏با
‏۳
‏اندازه مسئله n
‏(b‏) نتایج برای RNSP‏ ‏ با
‏شکل .۵.۷‏ موضوع قابل تجزیه درباره کارایی r BOA
‏اندازه جمعیت تدارک دیده از روی مشاهده و تجربه معین در کنار روش دو بخشی بطوریکه بهینه برپا گردد.
‏نتایج مشاهده برای RDP‏ و RNSP‏ به ترتیب و با دقت ‏ و ‏ (جاسازی) تقریب زده شده است.
‏بدینسان r BOA‏ می‏‌‏تواند مسئله قابل تجزیه (افزایشی) محدود سخت بوسیله پیچیدگی Sub- quadratic‏ (به استثنای Near- quadratic‏) رفع کردن.
‏به عبارت دیگر رشد عدد تخمین با توجه به اندازه مسئله (یعنی مقیاس پذیری) به نظر می‏‌‏رسد که به Sub- quadratic‏ باشد. جزئیات تحقیق در بخش ۳، ۷، ۵ یافت می‏‌‏شود.
‏۵
MBOA‏
‏شکل ۵،۸ مقایسه کارایی Rboa‏ و مشکلات آنرا مطالعه می‏‌‏کند (MBOA‏، m IDEA‏ و EGNA‏). مانند مراجع کاربردی و قابل تجزیه (RNSP‏ و RDP‏).
‏از اینرو مسئله قابل تجزیه عبارت است از زیر برنامه m‏، اشکال مسئله قابل اجرا نگهداری کردن همزمان m‏، اشکال مسئله قابل اجرا، مختصر N= r.m‏ در برابر سادگی. شکل (a‏) ۵،۸ ‏ نسبت صحیح BB‏ها را چنانچه به RDD‏ اعمال می‏‌‏شوند با ‏و تغییر m‏ مقایسه می‏‌‏کند. ترکیب یک RBOA‏ جزء، مختصر K=1‏ برای مدل گزینش بکار گرفته می‏‌‏شود.
‏جمعیت تدارک دیده با N= 100m‏، نتیجه نشان داده شده برای یافتن راه حل rAOB ‏و MBOA‏ بهتر کردن محاسبه زیاد آنها بجز mI AED‏ و ANGE‏.
‏گرچه MBOA‏ در برابر Rboa‏ تا حدی بالاتر بنظر می‏‌‏آید، با مفهوم آماری آن مخالفت دارد. جدول ۵،۱ اثبات پشتیبانی آن هست. همچنین بزرگتر شدن اندازه مسئله خراب‏ کردن‏ EGNA‏ و mIDEA‏ کردن از لحاظ دست یافتن کارایی در صورتیکه وضعیت راه حل پایدار بسرعت و Rboa‏ برای آنکه مشاهده گردد. از شکل (a‏) ۵،۷ و (a‏) ۵،۸ واضح است.
‏افزایش‏ رفتار MBOA‏ و Sub- quadratic Rboa‏ در برابر RDP‏ در صورتیکه m IDEA‏ و EGNA‏ تشریحی مقیاس پذیری دارد. شکل (b‏) ۵،۸ نشان می‏‌‏دهد BB- wise‏ مقادیر کار برگشت داده شده با الگوریتم‏‌‏ها برای RNSP‏ با ‏ ‏مختلف m‏. ترکیب نمونه‏‌‏ها برای گزینش مدل جزء سه ترکیب (K=3‏) استفاده شده. یک مدل خطی، مختصر، ‏‌‌N= 200m‏ بکار رفته برای جمعیت تدارک دیدن. در نتیجه RDP‏، برای آنکه مشاهده کارایی MBOA‏ و Rboa‏ آثار یکسان صرف نظر از اندازه مسئله. می‏‌‏توانیم در نظر بگیریم آنها یک Sub- quadratic‏ مقیاس پذیر RNSP‏ دارند. با وجود این نتایج نشان می‏‌‏دهد r BOA‏ نسبتا بهتر از MBOA‏ است با توجه به کیفیت مسئله.
.۵.۷‏ نتایج آزمایشگاهی و مذاکره
‏نتیجه آشکار مشاهده آماری آزمایش جدول ۵،۱. همچنین m IDEA‏ و EGNA‏ یافتن راه حل غیر قابل قبول وضعیت افزایش اندازه مسئله و مقیاس مشاهده خودشان پذیری بدیهی است تشریح مناسب بودن. از شکل ۷، ۵ و ۸، ۵ و جدول ۱، ۵ می