رساله‌ای که از طرف انجمن IEEE برگزیده شد؛ ارائه الگوریتم‌های فراابتکاری مؤثر مبتنی بر رفتار پرندگان
مطلب ویژه

24 دی 1401

دانش‌آموخته دکتری رشته مهندسی کامپیوتر به همراه تیم رساله، الگوریتم‌های فراابتکاری مؤثر مبتنی بر رفتار پرندگان برای حل مسائل بهینه‌سازی با مقیاسِ بزرگ» را ارائه کرد.

رساله دکتری هدا زمانی دانش‌آموخته دکتری رشته مهندسی کامپیوتر گرایش هوش مصنوعی و رباتیکز دانشگاه آزاد اسلامی واحد نجف‌آباد با راهنمایی محمدحسین ندیمی از طرف انجمن IEEE بخش ایران از بین ده‌ها رساله دکتری از دانشگاه‌های دولتی و آزاد سراسر کشور به‌عنوان رساله برگزیده انتخاب شد.

رساله دکتری نمادی از تولید علم و نوآوری در حوزه تخصصی است و در این رساله برگزیده، روش‌های نوینی برای حل مسائل کاربردی با مقیاسِ بزرگ و پیچیده ارائه شده که مبتنی بر مدل‌سازی رفتار پرندگان مانند پدیده شگفت‌انگیز مورموریشنِ سار‌ها (Starling Murmuration) و محاسبات کوانتومی (Quantum Computing) در مسیریابی پرندگان مهاجر است.

هدا زمانی در گفت‌وگو با خبرنگار گروه استان‌های خبرگزاری آنا اظهار کرد: کسب این افتخار و جایزه به سبب برنامه‌ریزی، همکاری و راهنمای‌های بی‌بدیل محمدحسین ندیمی از دوره کارشناسی ارشد تا دکتری است. در صورت حمایت‌های لازم، شاهد کاربرد‌های بیشتر صنعتی و تجاری این تیم تحقیقاتی خواهیم بود. تاکنون دو روش نوین و یک روش بهبودیافته معرفی شده در رساله دکتری و نتایج دیگر تحقیقات تیمی آنها در ۱۵ مقاله پژوهشی در مجلات ISI با ضریب تأثیر بالا چاپ شده است.

IAUN

وی در تشریح رساله خود با عنوان «ارائه الگوریتم‌های فراابتکاری مؤثر مبتنی بر رفتار پرندگان برای حل مسائل بهینه‌سازی با مقیاسِ بزرگ» بیان کرد: در طول چند دهه اخیر، الگوریتم‌های فراابتکاری بسیاری برای حل طیف وسیعی از مسائل بهینه‌سازی کاربردی به‌کار گرفته شده‌اند. اگر چه الگوریتم‌های موجود، کارایی نسبتاً قابل قبولی در حل انواع مختلف مسائل بهینه‌سازی را نشان داده‌اند؛ اما میزان مقیاس‌پذیری اکثر آنها برای حل مسائل بهینه‌سازی با مقیاسِ بزرگ ناکافی است.

زمانی ادامه داد: در این مطالعه(رساله دکتری) برای حل چالش‌های مربوط به مسائل بهینه‌سازی با مقیاس بزرگ، دو الگوریتم فراابتکاری جدید به نام SMO و QANA با الهام از رفتار مورموریشنِ سارها و مسیر یابی پرندگان مهاجر در طبیعت ارائه شده است. در این الگوریتم‌های جدید با استفاده از مدلسازی ریاضی رفتار پرندگان و محاسبات کوانتومی استراتژی‌های مختلفی برای پرواز، تعیین توپولوژی ارتباطی و ایجاد تنوع لازم در جمعیت برای حل مسائل با مقیاسِ بزرگ پیشنهاد شده است. همچنین الگوریتم بهبود یافته CCSA با استفاده از توپولوژی ارتباطی آگاهانه باعث افزایش کارایی در حل مسائل بهینه سازی یچیده با مقیاس بزرگ شده است.

دانش‌آموخته دکتری رشته مهندسی کامپیوتر عنوان کرد: کارایی الگوریتم‌های پیشنهادی در آزمایش‌ها مختلف روی ابعاد ۳۰، ۵۰، ۱۰۰ و یک هزار مورد ارزیابی قرار گرفته و با الگوریتم‌های معروف در این حوزه نیز مقایسه شده است. نتایج بدست آمده از این آزمایشات و تست های مختلف آماری نشان می دهد که الگوریتم‌های پیشنهادی کارایی قابل توجهی در حل مسائل بهینه‌سازی با مقیاسِ بزرگ دارند.

  انتهای پیام/

ما از کوکی ها برای بهبود وب سایت استفاده می کنیم. برای مشاهده اطلاعات بیشتر مراجعه کنید به سیاست کوکی ها. من در سایت از کوکی ها استفاده می کنم. قبول کردن