موضوع فارسی :مقدمه ای بر AMPERE مطالعات مدل متقابل در علم اقتصاد و ثبات آب و هوا
موضوع انگلیسی :Introduction to the AMPERE model intercomparison studies on the economics of climate stabilization
تعداد صفحه : 7
فرمت فایل :pdf
سال انتشار : 2015
زبان مقاله : انگلیسی
موضوع فارسی : الگوریتم بهینه سازی کلونی مورچه اعمال شده به کشتی فرمان
موضوع انگلیسی : Ant colony optimization algorithm applied to ship steering control
تعداد صفحه : 10
فرمت فایل :pdf
سال انتشار : 2014
زبان مقاله : انگلیسی
چکیده
مقاله استفاده از یک الگوریتم مورچه برای بهینه سازی پارامترهای کنترل البته کشتی، بر اساس توصیف
الگوریتم کنترل PID. الگوریتم مورچه یک روش بهینه سازی ترکیبی، که الگوی از مورچه ها با بهره گیری از است
جستجو برای کوتاه ترین مسیر از لانه به مکانی که در آن مواد غذایی است که واقع شده است. روش تنظیم پارامتر برای
کنترل البته کشتی به مورد استفاده شد زمانی که کنترل شد تغییر مسیر کشتی و تکمیل
عمل خاموش بود. پارامترهای تنظیم از کنترل البته کشتی توسط الگوریتم کلونی مورچه ها، که ارزیابی شده است
با استفاده از اشتباه بر اساس تابع هدف دوره و انحراف فرمان داده شده است. نتایج مورد مقایسه قرار با
نتایج به دست آمده معادل با استفاده از یک الگوریتم ژنتیک. ، علاوه بر این، اثر PID تنظیم پارامتر کنترل شد
ارزیابی با استفاده از مورچه الگوریتم بهینه سازی کلونی.
کلمات کلیدی: الگوریتم بهینه سازی کلونی مورچه؛ الگوریتم ژنتیک؛ هوش مصنوعی؛ کنترل کننده PID. کنترل کشتی.
موضوع فارسی : میماس: چارچوب برای یادگیری ماشین در سلامت سیستم های چند عاملی
موضوع انگلیسی : MLIMAS: A Framework for Machine Learning in Interactive Multi-Agent Systems
تعداد صفحه : 9
فرمت فایل :pdf
سال انتشار : 2015
زبان مقاله : انگلیسی
چکیده
سیستم های چند عامله در مجتمع، حوزه زمان واقعی نیاز به عوامل موثر به عمل هر دو مستقل و به عنوان بخشی از یک تیم.
پیچیدگی وظایف بسیاری از ناشی در این حوزه را حل کند با رفتارهای از پیش برنامه ریزی عامل آنها را دشوار می سازد.
عوامل باید به جای کشف راه حل خود به خود، با استفاده از یادگیری است. در این مقاله، ما در حال حاضر MLIMAS یک چارچوب برای
یادگیری ماشین در سلامت سیستم های چند عاملی. MLIMAS پیشنهاد شده است برای ارائه پاسخ به مسائل ناشی از
یکپارچه سازی الگوریتم های یادگیری ماشین در سیستم های چند عامله تعاملی، با تمرکز بر سه سوال من) چه یادگیری هستند
اهداف برای عوامل ؟، (II) چگونه می تواند سیستم یادگیری ماشین به معماری عامل یکپارچه؟ و (III) چگونه می توانید عوامل
یاد بگیرند؟ تعاملی MLIMAS آدرس این سه سوال به علاوه حمایت از سیستم های چند عامله شامل مستقل و
عوامل تطبیقی اقدام در زمان واقعی و محیط پر سر و صدا. به عنوان یک نتیجه از چنین قابلیت های مورد نیاز، MLIMAS اجازه می دهد تا پویا
و رفتار هوشمند از عوامل موثر در دستیابی به اهداف به محلی و ائتلاف خود را از قبیل از طریق مدل سازی عوامل دیگر
اقدامات و تعاملی در نظر گرفتن منافع از ترجیحات خود و دیگران را در یادگیری و دستیابی به اهداف عوامل.مطالعه ما به بررسی
چارچوب پیشنهادی در تاکسی دامنه در مقایسه با الگوریتم Q-یادگیری سنتی بدون به اشتراک تعاملی از
اطلاعات آزمایش های ما نشان داد 2 برابر بهبود برای این جایزه به طور متوسط در هر دریافت عوامل از دنباله نه
روش Q-آموزش سنتی است. علاوه بر این، ما٪ 80 بهبود کردم برای همان تعداد از آزمایشات از عوامل برای رسیدن به مسافران.
کلمات کلیدی: سیستم های چند عاملی؛ چارچوب یادگیری مبتنی بر عامل. تعاملی چند عامل یادگیری، هوش مصنوعی؛ فراگیری ماشین؛ مهندسی دانش؛ تاکسی دامنه
موضوع فارسی : مدل پیش بینی برای یکپارچه سازی شبکه های حسگر بی سیم داده ها و ابر رایانه
موضوع انگلیسی : A Data Predication Model for Integrating Wireless Sensor Networks and Cloud Computing
تعداد صفحه : 6
فرمت فایل :pdf
سال انتشار : 2015
زبان مقاله : انگلیسی
چکیده
ابر رایانه است، شده است ثابت می شود یک راه حل امیدوار برای مدیریت و پردازش داده های بزرگ با ارائه یک مرکز داده
محور و الگوریتم های کارآمد برای مدیریت و سازماندهی داده ها. یکی از منابع داده سیستم ابر است حسگر بی سیم
شبکه (شبکه گیرنده بی سیم). شبکه گیرنده بی سیم یک راه جدید برای منابع داده جریان که در آن داده شده است از دوره حاضر دریافت مختلف
سنسور. در نتیجه مقدار زیادی از اطلاعات انباشته شده در طول یک دوره کوتاه. آیا شبکه گیرنده بی سیم در منابع محدود به ریز
جریان اطلاعات دقیق منجر به مصرف انرژی جامع. در این مقاله، ما یک مدل پیش بینی داده ها است که ساخته شده است پیشنهاد
در گره های حسگر و استفاده شده توسط سیستم ابر برای تولید داده. هدف از مدل ارائه شده به معاف
گره های حسگر از ارسال حجم زیادی از داده و فقط در نتیجه شما در مصرف انرژی از باتری سنسور را کاهش دهد. ما به مدیریت
تدوین و فرموله معادله مدل پیش بینی به عنوان یک خط از طریق دو بردار n بعدی در N-فضا. نتایج اولیه نشان داد که
مدل ارائه شده قادر به دستیابی به داده های بهتر میزان خطا در مقایسه با تکنیک های پیش بینی سنتی است.
کلمات کلیدی: شبکه های حسگر بی سیم؛ داده کاوی؛ پیش بینی داده ها؛ ابر رایانه بستر های نرم افزاری
چکیده
چارچوب داده کاوی CRM ارتباط نزدیکی با مشتری ایجاد می کند و ارتباط بین سازمان ها و مشتریان را در دنیای کسب و کار پیشرفته امروز، مدیریت می کند. در سال های اخیر داده کاوی در برنامه های کاربردی مختلف CRM به محبوبیت دست یافته است و مدل های طبقه بندی یک روش داده کاوی مهم در این زمینه می باشند. این مدل به منظور ارتقای فرآیندهای تصمیم گیری برای پیش بینی رفتار مصرف کننده برای حفظ مشتریان با ارزش استفاده می شود. در این مقاله برای نشان دادن اینکه دقت شبکه های عصبی نسبتا بهتر است یک چارچوب موثر داده کاوی CRM ارائه شده است و همچنین از مدل های طبقه بندی Naive Bayes و شبکه های عصبی استفاده شده است.
کلمات کلیدی: چارچوب داده کاوی، مدیریت ارتباط با مشتری، پیش بینی، طبقه بندی
مقاله ی ISI
منتشر شده در سال 2015
تعداد صفحات مقاله ی اصلی 7 صفحه می باشد
برای دریافت فایل انگلیسی با قالب PDF کلیک کنید
