انجمن کامپیوتر ایران

الگوریتم‌های تکاملی کوانتومی، ترکیبی از الگوریتم‌های تکاملی و محاسبات کوانتومی می‌باشند که با توجه به کارایی بالای آنها در حل مسائل بهینه سازی ترکیبی مورد توجه خاصی قرار گرفته است. ایده اصلی در ترکیب این دو دسته از الگوریتم‌ها، افزایش گوناگونی در الگوریتم تکاملی می‌باشدکه این کار را با تعریف کوانتوم بیت بجای بیت کلاسیک انجام می‌دهد. هر کوانتوم بیت توزیعی آماری از بیت‌های صفر و یک را در بر دارد که در نتیجه می‌تواند با احتمالاتی که از توزیع حاصل می‌شود می‌تواند هر یک از دو مقدار صفر و یک را اختیار کند. در این مقاله با استفاده از بروزرسانی و تمایل دادن کروموزوم‌های کوانتوم بیتی با توجه به مقدار تابع ارزیابی برای بهترین کروموزوم بیتی مشتق شده از آن، همگرایی در جواب را سرعت بخشیده و بهبود قابل توجهی در کارایی آن نسبت به نسخه اصلی این الگوریتم حاصل کرده است. همچنین با اعمال این تغییر، از خاصیت احتمالی الگوریم کاسته نشده و الگوریتم همچنان توانایی خروج از اکسترمم‌های محلی را دارد. برای اثبات این مدعا، مقایسات بر روی مسئله n-وزیر انجام گرفته که در این میان نیز تغییراتی برای هرچه بیشتر هماهنگ کردن الگوریتم تکاملی کوانتومی با مسئله n-وزیر به منظور دستیابی جواب بهتر، اعمال گردیده است.

کشف خودکار تغییرات کوچک و غیر قابل مشاهده ما بین تصاویر MRI پستان که در طول درمان از بیمار گرفته می‏شوند، از اهمیت بالایی برخوردار است. چرا که بدین وسیله پزشک قادر به آنالیز دقیق واکنش تومور به شیمی درمانی خواهد بود. کشف این تغییرات توسط پزشک، کاری بسیار سخت و گاهی غیر ممکن است. چرا که برخی از این تغییرات به حدی کوچک هستند که قابل مشاهده نمی‏باشند. از طرفی دیگر، به دلیل این که آرتیفکت‏های حاصل از تصویر‏برداریMRI، تغییرات جعلی بسیاری را در تصویر ایجاد می‏کنند، انجام خودکار آن نیز یکی از چالش‏های باقی مانده در این حوزه است. ما در این مقاله، چهارچوبی خودکار ارائه می‏کنیم، که به دلیل استفاده از روش‏های مبتنی بر رشد ناحیه و قطعه‏بندی میدان تصادفی مارکوف (I-MRF) که در تحقیق پیشین خود ارائه کرده‏ایم، نسبت به نویز و تغییرات حاصل از آرتیفکت‏ها مقاوم است. علاوه بر آن در این سیستم تئوری اطلاعات متقابل محلی را جهت تعیین میزان شباهت نواحی به کاربرده‏ایم. نتایج آزمایشات بر روی داده‏های شبیه‏سازی شده و واقعی نشان از بالا بودن میزان کارایی سیستم در مقابل روش‏های آماری و آستانه‏گیری دارد. همچنین این سیستم در مقایسه با فرد خبره نیز در کشف تغییرات کوچک برتری کامل دارد.

بسترهاي داده¬اي امروزي به دلیل افزایش تعداد مشاهدات و متغیر¬های مربوط به یک مشاهده، چالش¬هاي جديدي در تحليل داده¬ها بوجود آورده¬اند که نیاز به کاهش ابعاد داده را امری ضروری کرده است. مسأله انتخاب یک زیرمجموعه بهینه از یک مجموعه، دارای پیچیدگی زمانی نمایی است، به همین دلیل روش¬های کلاسیک انتخاب ویژگی، دارای مشکل زمان اجرا هستند. این روش¬ها اکثراً در پیدا کردن راه¬حل¬های بهینه ناموفق هستند. از طرف دیگر، جستجوی کامل برای پیدا کردن راه¬حل¬های بهینه حتی در مجموعه داده¬هایی که تعداد ویژگی¬ها زیاد نیستند، غیر ممکن است. بیشتر کاربردهای انتخاب ویژگی خواستار محاسباتی ممکن با هدف به¬دست آوردن راه¬حل¬های بهینه یا نیمه بهینه هستند. در این مقاله برای حل این مشکل از الگوریتم ژنتیک چندهدفه استفاده شده¬است. به علاوه معیاری برای استقلال ویژگی¬ها معرفی شده است که به همراه معیارهایی همچون فواصل درون¬کلاسی و برون¬کلاسی و همبستگی ویژگی¬ها برای انتخاب ویژگی بکار رفته است. ارزیابی بر روی دادگان UCI و دسته¬بند¬های مختلف نشان می¬دهد که روش و معیار پیشنهادی در کنار سایر معیار¬ها، کارایی خوبی از نظر برقراری تعادل میان دقت دسته¬بندی و تعداد ویژگی¬ها دارد.