روش‌های بهینه‌سازی روزبه‌روز درحال ظهور و توسعه هستند. یکی از روش‌های موفق در این حوزه، چه از نظر سادگی و قابل درک بودن و چه از نظر سرعت عملکرد وکیفیت پاسخ، الگوریتم بهینه‌سازی علف‌های هرز می‌باشد. علیرغم برتری‌ها، این الگوریتم از کمبود تنوع در جمعیت خود و در نتیجه جستجوی ضعیف رنج می‌برد. در این مقاله، با افزودن نگاشت آشوب آبشاری به الگوریتم، این مشکل مرتفع شده و عملکرد این الگوریتم بهبود یافته است. همچنین، یکی از مشکلات کنترل سیستم‌ها در جهان واقعی، حضور عدم قطعیت، شامل عدم قطعیت مدل و اغتشاش خارجی می‌باشد. در این مقاله، یک روش کنترل مقاوم بهینه پیش‌بین، شامل یک کنترل‌کننده برپایه مدل نامی و یک مکانیزم تخمین عدم قطعیت، ارائه شده است. ماتریس ضرایب کنترل پسخورد بهینه با کمک الگوریتم بهینه‌سازی پیشنهادی به دست می‌آید. در نهایت، به عنوان یک مساله کاربردی جهت ارزیابی، کنترل‌کننده پیشنهادی را برای کنترل موتور جریان مستقیم آهنربای دائم به کار می‌بندیم. نتایج شبیه‌سازی کارایی کنترل‌کننده و بهینه‌ساز را نشان میدهد. مقایسه صورت گرفته با دیگر الگوریتم‌های تکاملی و روش کنترلی مبتنی بر مشتق کارایی روش پیشنهادی را تایید کرده است. پرونده مقاله

الگوریتم کلونی زنبور عسل مصنوعی (ABC) در بسیاری از مسائل بهینه سازی پیچیده نتایج مطلوبی را کسب کرده است، اما از مشکلاتی نیز رنج می‌برد که از آنجمله می‌توان به عدم قدرت کافی در استخراج جواب‌های پیرامون جواب‌های قبلی، اشاره نمود. همین مسئله باعث شده که ABC نسبت به سایر الگوریتم‌های تکاملی سرعت همگرایی کمتری داشته باشد. برای حل این مشکل یکی از مناسب ترین راهکارها استفاده از یادگیری تقویتی (RL) است که بوسیله آن می‌توان در هر موقعیت، استراتژی بهینه را برای هر زنبور عسل تعیین نمود. از این رو، در این مقاله یک الگوریتم ممتیک ABC ارائه شده است که در آن از تعدادی عبارات بروز رسانی استفاده میشود، به طوری که هر یک از این عبارات به میزان مختلفی از خواص اکتشاف و استخراج برخوردار هستند. سپس RL سیاستی را ارائه می‌نماید که توسط آن، هر زنبور عسل میتواند در هر زمان، عملیات بهینه را از میان عملیات‌های مذکور انتخاب نماید. جهت بررسی عملکرد روش پیشنهادی و مقایسه آن با سایر الگوریتم‌های تکاملی، از آن‌ها در بهینه سازی توابع معیار متعددی استفاده شده است که نتیجه آزمایشات بیانگر قدرت روش پیشنهادی در مقایسه با سایر الگوریتم های تکاملی است پرونده مقاله

امروزه به دلیل سبک زندگی نادرست، اختلالات اسکلتی شیوع بسیار بالایی پیدا کرده است. با کمک روش های کایروپرکتیک، بدون عمل جراحی و با هزینه کمتر می توان به بهبود بسیاری از این اختلالات کمک کرد. اما اغلب بیماران به این روش درمان اطمینان ندارند. در این مقاله، هدف ما آموزش و آگاهی بخشی به بیماران و افزایش اطمینان به حصول نتیجه درمان کایروپرکتیک با استفاده از واقعیت مجازی است. بدین منظور، داده‌های بیماران مراجعه‌کنندگان، شامل عکس ام آرآی و اطلاعات شخصی بیماران و شرایط آنها جمع‌آوری شده و سطح رضایت بیمار و پزشک، از روند درمان نیز ثبت می‌شود. به کمک این داده‌ها و با استفاده از تکنیک یادگیری عمیق، مدل مناسبی برای پیش‌بینی میزان بهبودی بیمار، بعد از روند درمان ارائه می‌گردد. به علاوه، به کمک نقشه برجستگی، نشان می دهیم که کدام بخش از تصاویر برای تشخیص بیماری از اهمیت بیشتری برخوردار هستند. هم‌چنین با کمک داده های ثبت شده و مدل پیش‌بین پیشنهادی دراین مقاله، یک اپلیکیشن اندروید توسعه داده می شود که بیمار را برای ادامه درمان ترغیب کرده و حرکات اصلاحی مناسب بیمار را نیز به وی آموزش می‌دهد. مقایسه نتایج نشان می دهد استفاده از این اپلیکیشن کمک بزرگی برای بیماران خواهد بود. پرونده مقاله