Multi-label classification aims at assigning more than one label to each instance. Many real-world Multi-label classification tasks are high dimensional, leading to reduced performance of traditional classifiers. Feature selection is a common approach to tackle this issue by choosing prominent features. Multi-label feature selection is an NP-hard approach, and so far, some swarm intelligence-based strategies and have been proposed to find a near optimal solution within a reasonable time. In this paper, a hybrid intelligence algorithm based on the binary algorithm of particle swarm optimization and a novel local Search strategy has been proposed to select a set of prominent features. To this aim, features are divided into two categories based on the extension rate and the relationship between the output and the local Search strategy to increase the convergence speed. The first group features have more similarity to class and less similarity to other features, and the second is redundant and less relevant features. Accordingly, a local operator is added to the particle swarm optimization algorithm to reduce redundant features and keep relevant ones among each solution. The aim of this operator leads to enhance the convergence speed of the proposed algorithm compared to other algorithms presented in this field. Evaluation of the proposed solution and the proposed statistical test shows that the proposed approach improves different classification criteria of Multi-label classification and outperforms other methods in most cases. Also in cases where achieving higher accuracy is more important than time, it is more appropriate to use this method.

طراحی شبکه زنجیره تأمین شامل تصمیمات کلیدی است که تأثیر زیادی بر ساختار عملیاتی زنجیره تأمین دارد. طراحی کارآمد زنجیره تأمین باعث بهبود عملکرد در سازمان ها می شود. این موضوع باعث به وجود آمدن مفاهیم جدیدی در مسأله زنجیره تأمین در دهه گذشته شده است. در این تحقیق مسأله طراحی شبکه زنجیره ی تأمین در سازمان های چابک دارای چند سطح و چند دوره زمانی مورد توجه قرار گرفته است. این مسأله تحت شرایط داشتن چندین مشتری با حجم تقاضای زیاد در نظر گرفته شده است. تصمیمات شامل انتخاب شرکت ها در هر سطح، مقدار تولید، انبار و حمل ونقل هر شرکت است. مسأله برای یکپارچه سازی تمامی متغیرهای تصمیم گیری و با هدف حداقل کردن هزینه های عملیاتی کل در تمام زنجیره ی تأمین و ارضاء تقاضای کامل مشتری ها و کسب رضایت آنها مدل سازی شده است. از آنجایی که حل مسأله طراحی زنجیره تأمین چند سطحی چند دوره ای در شرایط عدم قطعیت از نوع مسائل NP-Hard می باشد بهتر است الگوریتم های ابتکاری و فراابتکاری به منظور کاهش زمان حل مسأله استفاده شود. به همین منظور برای حل مدل از الگوریتم جستجوی ممنوع که یکی از الگوریتم های فراابتکاری است، به کار گرفته شده است. نتایج این تحقیق نشان می دهد که با بالارفتن تعداد تکرار های حل مسأله، به جواب هایی با کمتر از 3% اختلاف از جواب بهینه دست پیدا کرده است که الگوریتم جستجو ممنوع برای به دست آوردن جواب بهینه در مقایسه با الگوریتم لاگرانژ بهتر عمل کرده است.

یکی از این چالش های مساله طراحی مسیر چندرباتی، افزایش ابعاد فضای جستجو به صورت نمایی همراه با افزایش تعداد ربات ها در محیط عملیات است. بنابراین، به الگوریتم هایی نیاز است که دارای کارایی محاسباتی بوده و بتوانند مسیرهای بهینه و بدون برخورد ربات ها را در زمان محدود طراحی کنند. در این مقاله یک الگوریتم طراحی مسیر مرکزی برای هدایت ربات ها در محیط عملیات مشترک ارائه شده است. این الگوریتم یک روش جستجوی اکتشافی تدریجی است که در آن الگوریتم ‎D* Lite‎ به منظور تطبیق با حالت چندرباتی توسعه داده شده است. هماهنگی در طراحی مسیر برای تمام ربات ها بر اساس مفهوم زمان تصرف بوده که در ساختار مدل مفهومی محیط پیاده سازی شده است. همچنین، یک تابع مرکزی جهت به روزرسانی اطلاعات مدل مفهومی محیط و حرکت تدریجی ربات ها توسعه داده شده است. به منظور ارزیابی روش پیشنهادی، دو گروه شبیه­سازی­های استاتیک و پویا انجام شده است. در دسته اول، تمرکز بر مطالعه اثر پارامترهای الگوریتم است. نتایج نشان می­دهد که الگوریتم پیشنهادی قابلیت طراحی مسیر برای 40 ربات در محیطی با 55 درصد فضای آزاد را دارد و نیز رابطه زمان محساباتی و تعداد ربات­ها غیر نمایی است. دسته دوم شبیه­سازی­ها در محیط سه­بعدی Gazebo انجام شده که به صورت برخط و پویا است. نتایج روش پیشنهادی با روشی بر اساس میدان­های پتانسیل مصنوعی برای تعداد 14 ربات مورد مقایسه قرار گرفته است. نتایج نشان می­دهد که با افزایش تعداد ربات­ها از 9 عدد، زمان انجام عملیات برای روش مبتنی بر میدان پتانسیل افزایش زیادی پیدا کرده و یا غیرممکن می­شود.

بازوهای بسیار-افزونه، بازوهایی هستند که درجات آزادی آنها زیاد است و به واسطه این ویژگی میتوانند از موانع عبور کنند و چالاکی بیشتری داشته باشند. در اینجا منظور از این نام، به طور خاص، بازوهایی است که از چیدن چندین بسته بر روی هم به صورت سری و بر روی یک پایه ثابت، ایجاد می شوند. هر بسته خود یک مکانیزم سری یا موازی می باشد. عملگرهای ناپیوسته، عملگرهایی هستند که تنها در چند حالت محدود، قابل تحریک هستند. در کنترل این عملگرها، معمولاً نیازی به بازخورد نمی باشد و این ویژگی سبب سادگی در کنترل، ارزان بودن، دقت بالا و تکرار پذیری زیاد آنها می گردد. تا کنون روش های مختلفی برای حل مسئله سینماتیک معکوس بازوهای بسیار-افزونه با عملگرهای ناپیوسته ارائه شده است. در میان این روش ها، روش جستجوی جفت-جفت از لحاظ سرعت حل و خطا، بهتر عمل می کند. در این مقاله، این روش تعمیم داده می شود؛ به این ترتیب که در هر مرحله از جستجو، به جای اینکه لزوماً از دو بسته استفاده شود، از تعداد دلخواهی از بسته ها استفاده می گردد و تأثیر آن بر سرعت و دقت حل مورد بررسی قرار می گیرد. به این منظور، دو بازو، یکی صفحه ای و یکی فضایی معرفی می شوند و مسائل سینماتیک معکوس برای آنها حل گردیده و نتایج آنها مورد تحلیل و مقایسه قرار می گیرد.