بررسی تأثیر استفاده از الگوریتم‌های بهینهسازی تکاملی در بهبود فرآیندهای یادگیری
کلمات کلیدی:
بهینهسازی تکاملی, الگوریتم ژنتیک, بهینهسازی گروه ذرات, تکامل تفاضلی, یادگیری ماشینی, تنظیم پارامترهاچکیده
این مقاله به بررسی جامع تأثیر الگوریتم‌های بهینهسازی تکاملی در بهبود فرآیندهای یادگیری می‌پردازد. الگوریتم‌های تکاملی که از تکامل طبیعی الهام گرفته‌اند، ابزارهای قدرتمندی برای حل مسائل پیچیده بهینهسازی در یادگیری ماشینی ارائه می‌دهند. این مرور شامل مبانی نظری این الگوریتم‌ها از جمله الگوریتم ژنتیک، بهینهسازی گروه ذرات و تکامل تفاضلی و کاربردهای آنها در بهبود مدل‌های یادگیری است. در این مطالعه، عملکرد و اثربخشی این الگوریتم‌ها در زمینه‌های مختلف یادگیری ماشینی مقایسه شده و نقاط قوت آنها در بهینهسازی پارامترها، انتخاب ویژگی‌ها و ساختار مدل مورد بررسی قرار گرفته است. همچنین، چالش‌هایی نظیر تنظیم پارامترها، پیچیدگی محاسباتی و همگرایی به راه‌حل‌های محلی که ممکن است اثربخشی این الگوریتم‌ها را محدود کنند، شناسایی شده است. نتایج این مطالعه نشان می‌دهد که الگوریتم‌های بهینهسازی تکاملی پتانسیل زیادی برای بهبود فرآیندهای یادگیری دارند، اما نیاز به تحقیقات بیشتری برای رفع شکاف‌های موجود و بهبود این روش‌ها احساس می‌شود. این مقاله با پیشنهاداتی برای تحقیقات آینده به پایان می‌رسد و بر اهمیت توسعه الگوریتم‌های ترکیبی و بهبود روش‌های تنظیم پارامترها برای دستیابی به عملکرد بهتر در مسائل یادگیری پیچیده تأکید می‌کند.
دانلودها
مراجع
اسدی، م،. و همکاران. )1۴۰۰(. کاربرد الگور یتم های تکامل ی در بهینهسازی مسائل پیچی ده. مجله مهندسی کامپی وتر، 1۲)۳(،
.11۵-1۲۹
شریف ی، ع. )1۳۹۸(. کاربرد بهینهسازی گروه ذرات در بهبود عملکرد سیستمهای تشخیص گفتار. پژوهش های پیشرفته در
هوش مصنوعی ، ۵)۴(، .۸۷-۹۷
علیزاده، ح. ) 1۳۹۹(. بررسی تأثیر الگور یتم ژنتیک در بهبود عملکرد سیستم های توصیه گر. پژوهشنامه هوش مصنوعی، 1۰) ۲( ،
.۵۲-۶۴
Bäck, T. (1996). Evolutionary algorithms in theory and practice: Evolution
strategies, evolutionary programming, genetic algorithms. Oxford University Press .
Boussaïd, I., Lepagnot, J., & Siarry, P. (2013). A survey on optimization
metaheuristics. Information Sciences, 237, 82-117 .
Das, S., & Suganthan, P. N. (2011). Differential evolution: A survey of the state-ofthe-art. IEEE Transactions on Evolutionary Computation, 15(1), 4-31 .
Eiben, A. E., & Smith, J. E. (2003). Introduction to evolutionary computing.
Springer .
Goldberg, D. E. (1989). Genetic algorithms in search, optimization, and machine
learning. Addison-Wesley .
Holland, J. H. (1975). Adaptation in natural and artificial systems. University of
Michigan Press .
Kennedy, J., & Eberhart, R. (1995). Particle swarm optimization. In Proceedings of
ICNN'95 - International Conference on Neural Networks (Vol. 4, pp. 1942-1948). IEEE .
Mitchell, M. (1998). An introduction to genetic algorithms. MIT Press .
Simon, D. (2013). Evolutionary optimization algorithms. John Wiley & Sons .
Storn, R., & Price, K. (1997). Differential evolution – a simple and efficient heuristic
for global optimization over continuous spaces. Journal of Global Optimization, 11(4),
-359 .
Yao, X. (1999). Evolving artificial neural networks. Proceedings of the IEEE, 87(9),
-1447 .
Zhang, J., Chen, Y., & Zhou, C. (2007). A novel hybrid particle swarm optimization.
Journal of Systems Engineering and Electronics, 18(1), 72-77.
