الگوریتم ژنتیک از معروف ترین روش هاي حل مسائل بهینه سازي ترکیبیاتی است که کاربردهاي متعددي در حوزه هاي گوناگونی
الگوریتم ژنتیک از معروفترین روشهای حل مسائل بهینهسازی ترکیبیاتی است که کاربردهای متعددی در حوزههای گوناگونی همچون برق، کامپیوتر و ریاضی داشته و دارد. نسل چکیده کامل
الگوریتم ژنتیک از معروف ترین روش هاي حل مسائل بهینه سازي ترکیبیاتی است که کاربردهاي متعددي در حوزه هاي گوناگونی
الگوریتم ژنتیک از معروفترین روشهای حل مسائل بهینهسازی ترکیبیاتی است که کاربردهای متعددی در حوزههای گوناگونی همچون برق، کامپیوتر و ریاضی داشته و دارد. نسل بعد در این الگوریتم با انتخاب اعضای جمعیت بر اساس میزان برازندگی آنها صورت میپذیرد.
ارتباط اعضا از طریق عملگر ترکیب میباشد و برخی از بهترین اعضا مستقیماً به نسل بعد منتقل میشوند.
به صورت معمول اعضای ضعیف جمعیت نیز امکان مشارکت در ایجاد نسل بعد را دارند و حذف نمیشوند.
در این مقاله، عملگرهای تولید فرزند، از بهترین عضو نسل جاری آگاه هستند و تنها فرزندانی به خوبیِ بهترین عضو، تولید شده و در نسل بعد قرار میگیرند.
شیوهی پیشنهادی در دو کاربرد رنگآمیزی و بعدمتریک گراف با روش معمول الگوریتم ژنتیک مورد مقایسه قرار گرفته و برتری آن در حالت متوسط هم از نظر کیفیت و هم سرعت اجرا نسبت به الگوریتم ژنتیک مرسوم، نشان داده شده است.
پرونده مقاله
با توجه به گسترش روز افزون استفاده از سامانههای اینترنتاشیاء صنعتی یکی از پرکابردترین مکانیزمهای امنیتی، سیستمهای تشخیص نفوذ در اینترنتاشیاء صنعتی میباشد. در این سیستمها از تکنیکهای یادگیری عمیق بهطور فزآیندهای برای شناسایی حملات، ناهنجاریها یا نفوذ استفاده م چکیده کامل
با توجه به گسترش روز افزون استفاده از سامانههای اینترنتاشیاء صنعتی یکی از پرکابردترین مکانیزمهای امنیتی، سیستمهای تشخیص نفوذ در اینترنتاشیاء صنعتی میباشد. در این سیستمها از تکنیکهای یادگیری عمیق بهطور فزآیندهای برای شناسایی حملات، ناهنجاریها یا نفوذ استفاده میشود. در یادگیری عمیق مهمترین چالش برای آموزش شبکههای عصبی، تعیین فراپارامترهای اولیه در این شبکهها است. ما برای غلبه بر این چالش، به ارائهی رویکردی ترکیبی برای خودکارسازی تنظیم فراپارامتر در معماری یادگیری عمیق با حذف عامل انسانی پرداختهایم. در این مقاله یک سیستم تشخیص نفوذ در اینترنتاشیاء صنعتی مبتنی بر شبکههای عصبی کانولوشن (CNN) و شبکه عصبی بازگشتی مبتنی بر حافظه کوتاه مدت (LSTM) با استفاده از الگوریتمهای فراابتکاری بهینهسازی ازدحام ذرات (PSO) و وال (WOA) ارائه شده است. این سیستم یک روش ترکیبی براساس شبکههای عصبی و الگوریتمهای فراابتکاری برای بهبود عملکرد شبکه عصبی در راستای افزایش نرخ تشخیص و کاهش زمان آموزش شبکههای عصبی میباشد. در روش ما با درنظر گرفتن الگوریتم PSO-WOA، فراپارامترهای شبکه عصبی بدون دخالت عامل انسانی و بهصورت خودکار تعیین شده است. در این مقاله از مجموعهدادهی UNSW-NB15 برای آموزش و آزمایش استفاده شده است. در این پژوهش، الگوریتم PSO-WOA با محدود کردن فضای جستجو، فراپارامترهای شبکه عصبی را بهینه کرده و شبکه عصبی CNN-LSTM با فراپارامترهای تعیین شده آموزش دیده است. نتایج پیادهسازی حکایت از آن دارد که علاوه بر خودکارسازیِ تعیین فراپارامترهای شبکهی عصبی، نرخ تشخیص روش ما 98.5 درصد بوده که در مقایسه با روشهای دیگر بهبود مناسبی داشته است.
پرونده مقاله