کد متلب بهینه سازی شبکه عصبی با الگوریتم فاخته COA
در این محصول کد متلب شبکه عصبی ه بخش آموزش آن با الگوریتم بهینه سازی فاخته COA انجام شده است به علاقه مندان ارائه می شود .
الگوریتم بهینه سازی فاخته یا Cuckoo Optimization Algorithm چیست؟
الگوریتم بهینه سازی فاخته یا Cuckoo Optimization Algorithm یکی از جدید ترین و قویترین روشهای بهینه سازی تکاملی می باشد که تا کنون معرفی شده اند.
بعد از معرفی شدن روش های بهینه سازی تکاملی اولیه مثل الگوریتم ژنتیک (GA) ، الگوریتم تبرید تدریجی (Simulated Annealing)، تحقیقات زیادی روی روشهای تکاملی بهینه سازی که از الهام از طبیعت گرفته شده بودند انجام گرفت. از دیگر الگوریتمهای معرفی شده می توان به الگوریتم ازدحام ذرات (PSO)، کلونی مورچگان (ACO)، الگوریتم زنبور عسل (ABC) و الگوریتم ماهی های مصنوعی (Artificial Fish Swarm) اشاره کرد. کاربردهای بیشماری از این روشها را برای حل مسایل مختلف بهینه سازی پیچیده در مقالات می توان پیدا کرد.
یکی دیگر از الگوریتم های بهینه سازی تکاملی که در ایران شکل گرفته و بسیار کاربرد یافته الگوریتم رقابت استعماری است که بر پایه الهام از یک سیستم رقابتی بین امپراتوریهای جهان جهت تصاحب مستعمره شکل گرفته است. این روش بهینه سازی با تغییری که در الگوریتم آن برای حرکت مستعمره ها به سمت امپراتوری در نظر گرفته شده است توانایی خوبی برای یافتن نقاط بهینه کلی (global optima)از خود نشان داده است.
بعد از معرفی الگوریتم رقابت استعماری (ica) بر روی روش جدید دیگری که توانایی بیشتری در پیدا کردن نقاط بهینه کلی (global optima) داشته باشد در حال کار شده است. این الگوریتم بر روی الهام از روش زندگی پرنده ای بنام فاخته یا Cuckooبود. روش زندگی و تخم گذاری جالب این پرنده نوید یک الگوریتم بهنیه سازی خوب و قابل را در طبیعت وحشی می داد. روشی که با کمترین تلاش، در جنگ برای بقا با سایر حیوانات، به بقا می رسید. این پرنده تنبل به زیبایی هرچه تمام تر سایر پرندگان را مجبور به شرکت در بقای خود می کند.
در سال 2009 که ایده مدل سازی نحوه زندگی این پرنده به عنوان یک روش بهینه سازی تکمیل شد و تمام کار های کد نویسی و تست آن تمام شد. اقدام به نوشتن مقاله ای در این خصوص کردم تا این الگوریتم را به همگان معرفی شود. پس از ارسال مقاله به یکی از معتبرترین مجلات محاسبات تکاملی (Applied Soft Computing Journal) در Elsevire و سپری شدن زمانی طولانی برای داوری این مقاله، متوجه شدیم که تقریباًً همزمان با من دو نفر از کشورهای چین (X. S. Yang) و هند (S. Deb) از دانشگاه کمبریج نیز مشترکاً روی مدلسازی همین پرنده کارکرده اند و با وجود اینکه دیرتر از من مقاله شان را آماده کرده بودند، توانسته بودند نتایج خود را سریع تر از من در کنفرانسی در هند World Congress on Nature & Biologically Inspired Computing (NaBIC 2009)تحت عنوان Cuckoo Search via L´evy Flights چاپ کنند.
اینکه نتیجه کار شما و آن همه زحمت فقط بدلیل ارسال مقاله به مجله ISIو تاخیر مبحث داوری، بنام افرادی دیگر منتشر گردد بسیار عذاب آور بود. پس از اطلاع از وجود چنین مقاله ای تصمیم به withdrawکردن مقاله خود گرفتم که به پیشنهاد یکی از دوستان کمی صبر کردم تا مقاله کنفرانسی بر روی سایت قرار گرفت و من توانستم مقاله ایندو نفر را مطالعه کنم. بعد از مطالعه مقاله مذکور متوجه شدم که این دو نفر چقدر سطحی به زندگی این پرنده پرداخته اند و فقط قسمت بسیار کوچکی از پروازهای این پرنده را برای مدلسازی انتخاب کرده اند (اگر نظر شخصی بنده را بخواهید فقط تلاش کرده اند که مقاله ای را برای کنفرانس مذکور آماده کنند). قطعا مدلسازی ناقص و مقطعی نمی توانست بازگوکننده تمام قدرت این روش بهینه سازی تکاملی باشد. این مساله در همگرایی بسیار کند کدهای نوشته شده توسط این دو محقق بوضوح دیده می شود.
بالاخره پس از 2 سال داوری مقاله من در مجله Applied Soft Computing Journal ادیتور نظریه نهایی و Acceptance را فرستاد.
1 دیدگاه برای کد متلب بهینه سازی شبکه عصبی با الگوریتم فاخته COA
هیچ دیدگاهی برای این محصول نوشته نشده است.