در این مقاله قصد داریم به توسعه‌ی یک الگوریتم برنامه‌نویسی پویای هیروستیک(HDP)   مبتنی بر ارزش-تکرار بپردازیم، با این هدف که بتوان مسئله‌ی کنترل بهینه را برای سیستم‌های غیرخطی  تکراری ازنظر زمانی حل کرد. در ابتدا، یک اثبات همگرایی دقیقی  از الگوریتم HDP را ارائه خواهیم داد. دوم، مباحث پایداری مربوط به الگوریتم HDP برای سیستم‌های غیرخطی را نیز موردبررسی قرار خواهیم داد. اعتقاد بر آن است که عیب اصلی الگوریتم HDP این بوده که فقط تابع محدودی از دنباله کنترل تکراری  می‌تواند تثبیت گردد، و بنابراین تکرارهای نامحدود مورداجرا قرار خواهند گرفت. به‌منظور تصدیق این مسئله، یک نتیجه‌ی پایداری جدیدی را برای الگوریتم HDP ارائه خواهیم داد که نشان می‌دهد که قوانین کنترل تکراری حاصله در پس از تکرارهای محدود می‌تواند پایداری  حلقه بسته  را تضمین سازد. یک نتیجه‌ی پایداری مشابهی نیز برای سیستم‌های غیرخطی گسسته زمانی به‌دست‌آمده است. بنابراین، کاربرد الگوریتم HDP   در سطح زیادی بهبود پیدا می‌کند. ساختار شبکه‌ی عصبی منفرد (NN) نیز به‌منظور پیاده‌سازی الگوریتم بکار گرفته‌شده است. باید خاطرنشان کرد که این الگوریتم را می‌تواند بدون دانستن پویایی‌های داخلی مربوط به سیستم‌ها پیاده‌سازی کرد. درنهایت، نتایج عددی به‌منظور اثبات بهره‌وری متدهایی که توسعه داده‌ایم ارائه  خواهد شد.

واژگان کلیدی: همگرایی, پایداری, برنامه‌نویسی پویای هیروستیک(HDP), کنترل بهینه، تکرار-ارزش

شبکه‌ی عصبی مصنوعی  را می‌توان یکی از شاخه‌های هوش مصنوعی دانست که به‌عنوان یک تکنولوژی رایانشی در علوم کامپیوتر مدنظر قرارگرفته است. در این مقاله قصد داریم به بازبینی حوزه‌ی هوش مصنوعی پرداخته و بر روی کاربردهای اخیر آن، که از شبکه‌های عصبی مصنوعی (ANN) و هوش مصنوعی (AI) استفاده می‌کند بیندازیم.همچنین قصد داریم ادغام شبکه‌های عصبی را با سایر متدهای رایانشی‌ای مانند منطق فازی  در نظر گرفته تا بتوانیم توانایی تفسیر داده‌ها را بهبود دهیم. شبکه‌های عصبی مصنوعی را می‌توان یک تکنولوژی رایانشی نرم دانست که در سطح زیادی موردمطالعه قرارگرفته و در طی دو دهه‌ی اخیر نیز کاربردهای زیادی از آن پدید آمده است. رایج‌ترین کاربردهای شبکه‌های عصبی را می‌توان در حل مسائل تشخیص الگو، تحلیل داده‌ای، کنترل و خوشه‌بندی دانست. شبکه‌های عصبی مصنوعی دارای ویژگی‌های زیادی من‌جمله سرعت پردازشی بالا و توانایی در یادگیری و به دست آوردن جواب یک مسئله(از طریق یادگیری یک مجموعه داده‌ای) می‌باشند. هدف اصلی این مقاله این بوده که به بررسی کاربردهای اخیر شبکه‌های عصبی مصنوعی و هوش مصنوعی پرداخته و یک بازبینی جامعی را در خصوص  نقش اصلی AI و NN در حوزه‌های مختلف ارائه دهیم.

واژگان کلیدی:

 

در این مقاله قصد داریم به تشریح یک پلت فرم چند عامله برای سیستم اطلاعات مسافر پردازیم که در این سیستم، به مسافرین اجازه داده شده تا سرویس وب مربوط به اطلاعات ترافیک جاده‌ای (WSs)  که با نیاز مندی آن‌ها بهترین مطابقت را دارد پیدا کنند. پس از مطالعه‌ی پروپوزال های موجودی که به کشف Ws معنایی پرداخته بودند، یک الگوریتم تطابق ترکیبی را پیاده سازی کردیم که به صورت کامل آنرا تشریح خواهیم نمود. پروفایل‌های Ws معنایی به صورت خودکار به عنوان OWL-S ها شناخته شده و همچنین درخواست مسافر در آن به صورت یک پروفایل OWL نشان داده می‌شود. این الگوریتم، مقیاس‌ها و وزن های مختلفی را به هر پارامتر پروفایل WS تخصیص داده شده که این تخصیص بر اساس سطح ارتباط، نوع و ماهیت آن‌ها صورت می‌گیرد. برای انجام این کار، الگوریتم پائولوچی  را توسعه داده‌ایم و از آن در سناریوی خود استفاده نموده‌ایم. همچنین مقیاس های معنایی جدیدی، مخصوصاٌ استفاده از رابطه‌ی هم نیا، برای بهبود فراخوانی‌ها بکار گرفته شده که به سرویس‌های مربوطه اجازه داده تا به وسیله‌ی کاربرانی که هنوز بازیابین شده‌اند کشف شوند. اگرچه ما روابط مفهوم تشابه را افزایش داده‌ایم و زمان اجرا را با استفاده از مرحله‌ی فیلتر پیش پردازش (که به کاهش مجموعه‌ی به احتمال مفید WS می‌پردازد) بهبود داده‌ایم. این امر باعث بهبود الگوریتم تطابق معنایی گردیده است.

واژگان کلیدی: