از آنجاییکه اجزای پویا، همراه با محدویتهای غیرخطی و اهداف متعدد، یکی از خصوصیتهایی است که بهطور مکرر در مسائل دنیای واقعی ظاهر میشود و چون زمان زیادی است که محاسبات تکاملی وارد حوزه کاربردهای صنعتی شده است (بهخصوص بهعلت توانایی آنها در مواجهه با محیطهای چندهدفه و غیرخطی) انتظار میرود که هرچه زودتر توجه به این زمینه در جامعه علمی رشد پیدا کند.امروزه استفاده از الگوریتمهای تکاملی که بر اساس رفتارهای زیستی طبیعی بهوجود آمدهاند برای حل این مسائل از اهمیت ویژهای برخوردار هستند. از جمله این الگوریتمها میتوان به الگوریتم ژنتیک اشاره نمود. هدف این مقاله و ادعای اصلی آن، امکان طراحی پروتکلهای الهام گرفته از طبیعت در الگوریتم ژنتیک است که روی بهینهسازی در محیطهای پویا موثر باشد، در حالیکه پیچیدگی الگوریتم را حفظ کند و تغییرات در فضای مسئله بهصورت دورهای رخ دهد. در این مقاله، یک الگوریتم ژنتیک بهبودیافته (خودسازمانده بحرانی) مبتنی بر حافظه برای حل مسائلبهینهسازی پویا ارائه شده است. در الگوریتم ارائهشده، از یک عملگر جهش خودسازمانده که مبتنی بر مدل تپه شنی است، استفاده شده است. عملگر جهش خودسازمانده یک عملگر جهش هست که میتواند نرخهای جهش خودتنظیمشونده را با یک توزیع ویژه بر مبنای مدل تپه شنی انجام دهد که این برای بهینهسازی پویا مناسب است. اگر تغییرات بهصورت دورهای رخ دهند، بهطور معمول استفاده از اطلاعات گذشته اجازه میدهد الگوریتم بهسرعت بعد از تغییر محیط به سازگاری در شرایط محیطی جدید برسد. ایده مورد نظر در این زمینه، استفاده از یک حافظه میباشد. یکی از چالشهای اساسی در بهکارگیری حافظه، تنوع میباشد. برای افزایش سطح تنوع از یک حافظه تخمبن تراکم با خوشهبندی گاوسی استفاده شده است. همچنین از راهکاری برای جایگزینی و بازیابی در حافظه استفاده شده است. در طرح پیشنهادی ابتدا جهش خودسازمانده بحرانی جدید، با سایر الگوریتمهای ژنتیک ارائه شده توسط سایر محققین ترکیب شده ونتایج حاصل شده نشان میدهد که این روش توانسته بهکرات سایر الگوریتمهای ژنتیک را برای محیطهای پویا بهبود بخشد. در نهایت روش پیشنهادی این مقاله که ترکیب خودسازماندهی بحرانی جدید با حافظه تخمین تراکم گوسی است ارائه شده است. نتایج این روش با سایر روشهای مشابه که با راهکار جهش خودسازمانده جدید نتایجشان بهبود داده شده است، مقایسه خواهد شد. نتایج حاصل بر روی مسائل محک مختلف باعنوان توابع تله پویا، آزمایش شده است. نشان داده شده که روش پیشنهادی، حتی از روشهای رقیب که با روش جهش خودسازمانده جدید، بهبود یافتهاند نتایج مناسبتری را تولید کرده است. معیار ارزیابی در این مقاله معیار کارآیی برونخطی میباشد. نتایج آزمایشها نشان میدهند که روش پیشنهادی موثر هست چراکه با روشهای دیگر در پارامترهایی از محیطهای پویا مقایسه گردیده که آنها بهترین کارایی را دارا هستند.
بهینهسازی یک فعالیت مهم و تعیینکننده در طراحی ساختاری است. بسیاری از مسائل بهینهسازی در مهندسی، طبیعتا پیچیدهتر و مشکلتر از آن هستند که با روشهای مرسوم بهینهسازی نظیر روش برنامهریزی ریاضی و نظایر آن قابلحل باشند. طبیعت پایه بسیاری از الگوریتمهای بهینهسازی میباشد، لذا محققان الگوی رفتاری پدیدهها و جانداران موجود در طبیعت در قالب یک ساختار رو به هدف قرار دادهاند. در این مقاله یک الگوریتم فراابتکاری جدید بر پایه الگوی رفتاری موشهای وحشی ارائه گردیده است. با مطالعه رفتارهای هدفمند و سودمند موشهای وحشی در قالب کلونیها این انگیزه را ایجاد کرد که این رفتارهای هدفمند میتواند الگویی برای حرکت به سمت حل یک مسئله پیچیده غیرقطعی باشد. در این تحقیق براساس نتایج آزمایشگاهی که بر روی این جانور انجام گرفته رفتار موشها در فازهای تولید جمعیت، جفتگیری، مبارزه بقا پیادهسازی شده است. موشها در چند کلونی سازماندهیشده که بر پایه فرماندهی یک سرکلونی نخبه برای بقا مبارزه خواهند کرد. ضمنا الگوی حرکتی موشها براساس مکان سرکلونی و دیگر اعضای کلونی تعریف شده که در یک جستجوی بهینه در فضای مسئله مؤثر بوده است. الگوی رفتاری این جاندار در یک محیط شبیهساز پیادهسازی گردید و نتایج نشان داد که الگوریتم حاصل یک الگویی مناسب برای یافتن پاسخی بهینه جهت مسائل پیچیده میباشد.
مقوله امنیت در شرایط جدید جهانی ابعاد متفاوتی پیدا کرده است. یکی از حوزههای امنیتی که در شرایط جدید جهانی بسیار مورد اهمیت قرار گرفته است، حوزه امنیت سایبری است. در این تحقیق برای مطالعه بر روی حملات ناشناخته دو هانینت آزمایشگاهی مجازی در دو مکان مختلف طراحی شده و همچنین از سایر مجموعه دادههای علمی استفاده گردیده است. در دادههای شبکهای، مشکل دادههای نامتوازن اغلب اتفاق میافتد و موجب کاهش کارایی در پیشبینی برای ردههایی که در اقلیت هستند، میگردد. در این مقاله برای حل این مشکل، از روشهای یادگیری جمعی استفاده گردیده است تا بتوان مدلی خودکار ارائه نمود که با استفاده از فنون مختلف و با استفاده از یادگیری مدل، حملات شبکه بهویژه حملات ناشناخته را شناسایی نماید. روشهای جمعی، بسیار مناسب برای توصیف مشکلات امنیتی رایانهای میباشند زیرا هر فعالیتی که در سیستمهای رایانهای انجام میگیرد را میتوان در سطوح چند انتزاعی مشاهده کرد و اطلاعات مرتبط را میتوان از منابع اطلاعاتی چندگانه جمعآوری نمود. روش تحقیق بر اساس تحلیلهای آماری جهت برسی میزان صحت و درستی نتایج و میزان اتکاپذیری آنها صورت گرفته است. در این مرحله بهکمک فنون و آزمایشهای آماری نشان داده شده که عملکرد الگوریتم طراحی شده با رأیگیری وزنی پیشنهادی بر اساس الگوریتم ژنتیک نسبت به دوازده طبقهبند دیگر بهتر میباشد.
