سرفصل های دوره

۱ فصل
۰ جلسه
۰ ساعت
۱

لیست ویدئوهای دوره

۰ قسمت
-

لینک دانلود

رایگان

الگوریتم های ژنتیک کلاسیک در یافتن نواحی جواب با سرعت خوبی عمل می کنند اما در به دست آوردن جواب با دقت مورد نظر زمان زیادی را صرف می کنند. این نقص را می توان تا حدودی با بکارگیری دانش موجود از مساله و یا اضافه کردن فاز جستجوی محلی به چرخه ی تکاملی بهبود بخشید. محققان با الهام گرفتن از ایده ی »مم« که توسط ریچارد داوکینز مطرح شد، الگوریتم هایی پیشنهاد کرده اند که مم ها به عنوان جستجوگرهای محلی بهبود هایی جواب های بدست آمده را بهبود می دهند تا فرآیند جستجو سریع تر و کاراتر شود.به این گونه روش ها الگوریتم های ممتیک یا دورگه گفته می شود. این الگوریتم ها از نظر تطبیق پذیری به ۳ دسته ی ایستا، تطبیقی و خود تطبیقی تقسیم می شوند.  در دوسته ی اول مم ها در فرآیند جستجو تغییر نمی کنند و فقط انتخاب بهترین مم مطرح است ولی در دسته ی سوم مم ها در جمعیتی جداگانه تکامل پیدا کرده و به صورت تکاملی با مساله تطبیق پیدا می کنند.

این الگوریتم ها کاربرد های زیادی در مسائل طراحی دارند و کارایی بسیار خوبی در این زمینه نشان داده اند. همچنین در حوزه ی بیوانفورماتیک و مسائلی چون پیش بینی ساختار پروتئین ها به کار گرفته می شوند.

 

توضیحات بیشتر

مدرس

صادق پاسبان

صادق پاسبان مدرس

صادق پاسبان هستم، هم بنیانگذار دانشجویار و عضو هیئت علمی دانشگاه بیرجند.(http://cv.birjand.ac.ir//pasban)

مدیر پروژه و مدیر محصول دپارتمان برنامه نویسی دانشجویار

علایق مطالعاتی و تدریس بنده:
شبکه های عصبی مصنوعی (Artificial Neural Networks)
پردازش تصویر و ویدئو (Image and video processing)
بازیابی تصویر و ویدئو (Image and video retrieval)
بازشناسی الگو (Pattern recognition)
الگوریتم‌های بهینه سازی هوش جمعی (Heuristic Optimization Algorithms)
برنامه نویسی(programming language)
پایگاه های داده(RDBMS & NOSQL)
هوش مصنوعی(artificial intelligence)