در حال حاضر مهمترین بخش موتورهای جستجوی فعلی را واحد رتبه بندی تشکیل می دهد. روشهای متعدد رتبه بندی مانند رتبه بندی مبتنی بر محتوا مانند BM25 و TF-IDF و روشهای مبتنی بر اتصال مانندHITS و PageRank وجود دارند. ولیکن روشهای فوق دارای دقت(Precision) و در نتیجه کارآیی پایین می باشند و نیازمندیهای کاربر را به صورت مناسب برآورده نمی کنند. در این مقاله یک الگوریتم رتبه بندی وفقی ترکیبی برای دستیابی به دقت و کارایی بالاتر ارائه شده است. این الگوریتم با استفاده از ترکیب الگوریتم های موجود به کمک فرآیند یادگیری سعی خواهد کرد به الگوریتم بهتری دست پیدا کند. فرآیند یادگیری جهت ترکیب الگوریتم های مختلف بااستفاده ازOWA با توجه به نظر افراد خبره در مورد درجه ارتباط پرسش و سند انجام می شود. برای ارزیابی و مقایسه با سایر روشها ازمجموعه داده های محکTREC 2004 استفاده شده است. نتایج آزمایشات، افزایش چشمگیری در خصوص میزان دقت بازیابی در مقایسه با الگوریت مهای موجود نشان می دهد.

بسیاری از مسائل مطرح در هوش مصنوعی را می توان بصورت یک مساله ارضای محدودیت تعریف کرد و سپس با استفاده از الگوریتم هایی که برای حل این مسائل ارایه شده اند جواب آنها را پیدا کرد. چون فضای حالات مسائل ارضای محدودیت خیلی وسیع است و زمان زیادی برای جستجوی آن لازم است تلاش های زیادی برای طراحی و ارایه الگوریتم های کارا برای حل اینگونه مسائل انجام می گیرد. در این مقاله یک الگوریتم ترکیبی برای حل مسائل ارضای محدودیت ارایه می کنیم که ترکیبی از الگوریتم های کامل و ناکامل است. امتیاز این الگوریتم پیدا کردن جواب های جزئی صحیح در زمان کوتاه برای مسائلی می باشد که یافتن جواب کامل برای آنها در زمان قابل قبول امکانپذیر نمی باشد. الگوریتم ترکیبی را برای مساله مشهورN-Queens  پیاده سازی کرده ایم و نتایج آن را با الگوریتم های موجود مقایسه کرده ایم.

خوشه بندی نرم افزار، بدلیل تنوع وسیع و حجم زیاد نرم افزارها و هم چنین ضرورت بهینه سازی، تحقیقات خاصی را طی سالهای اخیر به خود جلب کرده است. در این مقاله، یک الگوریتم جدید با عنوان DCM genetic به صورت ترکیبی از الگوریتم خوشه بندی مبتنی بر افزارهای همسایه و الگوریتم DCM ارایه می شود. الگوریتم بدست آمده در دو فاز عمل می کند: در فاز اول الگوریتم DCM را به گونه ای تغییر می دهیم که در آن فاکتور تعداد خوشه ها نیز مورد توجه قرار می گیرد و سپس جهت تولید نسل اولیه از این الگوریتم استفاده می کنیم و در فاز دوم برای یافتن بهترین افزار از الگوریتم خوشه بندی مبتنی بر افزارهای همسایه استفاده می کنیم که از میان جمعیت تولیدی توسط الگوریتم DCM افزار با کیفیت بالا به عنوان نتیجه نهایی اعلام می کند. نتایج بدست آمده از اعمال الگوریتم DCM genetic نشان می دهد که در مجموع بهینه تر از دو الگوریتم اولیه عمل می کند.

لطفا برای مشاهده چکیده به متن کامل (PDF) مراجعه فرمایید.

در این مقاله الگوریتم ژنتیکی ترکیبی جدیدی برای خوشه بندی صفحات وب بر اساس محتوای داده ای ارایه شده است. الگوریتم جدید بر اساس عبارات و کلمات کلیدی موجود در صفحات وب و نمایش بیتی آنها بصورت برداری، بصورت ترکیبی سعی در بهبود جواب خوشه بندی صفحات وب می نماید. کارایی الگوریتم پیشنهادی مورد ارزیابی قرار گرفته و نتایج بدست آمده، نشان دهنده کارایی الگوریتم پیشنهادی در بهبود نتایج خوشه بندی صفحات وب دارد.

روشهای بهینه یابی موجود برای حل مسائل سخت بطور عمده شامل تعداد بسیار زیادی متغیر و محدودیت می باشند که از کارایی عملی آنها در حل مسائل با ابعاد واقعی می کاهد بدین علت در دهه های اخیر استفاده از الگوریتم های ابتکاری و فوق ابتکاری مورد توجه قرار گرفته است. در این بین الگوریتم های فوق ابتکاری بدلیل ساختار ساده و توانایی هایی که از خود نشان داده اند مورد استفاده محققین قرار گرفته است. در این تحقیق با ترکیب دو الگوریتم کلونی مورچگان و الگوریتم ژنتیک سعی شده است الگوریتم ترکیبی ساخته شود که نتایج بهتری در بهینه سازی سطح مقطع خرپاها نسبت به سایر روشها بدست آورد. روش انجام کار مبتنی بر الگوریتم ژنتیک و کلونی مورچگان است.