ترجمه فارسی عنوان مقاله
داده کاوی با روش های مختلف بهینه سازی
عنوان انگلیسی
Data mining with various optimization methods
کد مقاله | سال انتشار | تعداد صفحات مقاله انگلیسی |
---|---|---|
22312 | 2014 | 7 صفحه PDF |
منبع
Publisher : Elsevier - Science Direct (الزویر - ساینس دایرکت)
Journal : Expert Systems with Applications, Volume 41, Issue 8, 15 June 2014, Pages 3993–3999
فهرست مطالب ترجمه فارسی
چکیده
مقدمه
فرمول بندی مسأله
نمونه برداری از داده ها
روشها و مدل ریاضی
الگوریتم ژنتیک
نمودار یک: نمودار جریان کار الگوریتم ژنتیک
هوکی و جیوز
بازپخت و تبرید شبیه سازی شده
بهینه سازی اجتماع ذرات
شبیه سازی
رابطه کاربری گرافیکی نرم افزاری
نتایج
جدول یک: پارامترهایی که در بهینه سازی استفاده شدند
جدول دو: پارامترهای بهینه شده برای کل مجموعه ها
جدول سه:پارامترهای بهینه شده برای مدل سازی
جدول چهار: تحلیل آماری برای روش های بهینه سازی مختلف کل مجموعه داده ها
جدول پنج: تحلیل آماری برای روش های بهینه سازی مختلف کل مجموعه داده های آزمون
نمودار مقایسه پهلو به پهلوی داده های اندازه گیری
نمودار مقایسه داده های اندازه گیری شده و داده های محاسبه شده
نتیجه گیری
مقدمه
فرمول بندی مسأله
نمونه برداری از داده ها
روشها و مدل ریاضی
الگوریتم ژنتیک
نمودار یک: نمودار جریان کار الگوریتم ژنتیک
هوکی و جیوز
بازپخت و تبرید شبیه سازی شده
بهینه سازی اجتماع ذرات
شبیه سازی
رابطه کاربری گرافیکی نرم افزاری
نتایج
جدول یک: پارامترهایی که در بهینه سازی استفاده شدند
جدول دو: پارامترهای بهینه شده برای کل مجموعه ها
جدول سه:پارامترهای بهینه شده برای مدل سازی
جدول چهار: تحلیل آماری برای روش های بهینه سازی مختلف کل مجموعه داده ها
جدول پنج: تحلیل آماری برای روش های بهینه سازی مختلف کل مجموعه داده های آزمون
نمودار مقایسه پهلو به پهلوی داده های اندازه گیری
نمودار مقایسه داده های اندازه گیری شده و داده های محاسبه شده
نتیجه گیری
ترجمه کلمات کلیدی
سر و صدای ترافیک -
هوش مصنوعی -
الگوریتم ژنتیک -
هوک وجویس -
بازپخت شبیه سازی شده -
بهینه سازی ازدحام ذرات -
نرم افزار
کلمات کلیدی انگلیسی
Traffic noise,
Artificial intelligence,
Genetic algorithm,
Hooke and Jeeves,
Simulated annealing,
Particle swarm optimization,
Software
ترجمه چکیده
ترافیک (عبور و مرور) جادهای به عنوان منبع اصلی سر و صدای محیطهای شهری شناخته شده و به اثبات رسیده است که این سر و صدا به طور قابل توجهی بر سلامت جسمی و روانی انسان و بهره وری نیروی کار تأثیر می گذارد. پس، بسیار مهم است برای کنترل سطح صوتی این سر و صدا در محیطهای شهری به توسعۀ روشهای مدلسازی سر و صدای ترافیک جادهای بپردازیم.همانطور که در ادبیات موضوع مشاهده می شود، روشهایی که با این موضوع سر و کار دارند عموماً بر اساس تحلیل رگرسیون پایه گذاری شدهاند و دیگر رویکردها کمتر بهکار برده شدهاند. در این مقاله روشی جدید ارائه شده که بر اساس بهینهسازی استوار است. در شبیه سازی این کار از چهار تکنیک استفاده شده است؛ الگوریتم ژنتیک، الگوریتم هوکی و جیوز، بازپخت و تبرید شبیه سازی شده و بهینه سازی اجتماعات. دو سناریوی متفاوت در این مقاله ارائه شده است. در سناریوی اولِ روشهای بهینه سازی، برای پیدا کردن مناسبترین پارامترها از کل مجموعه دادههای اندازه گیری شده استفاده می شود، در حالی که در سناریوی دوم، فقط بابعضی از دادههای اندازه گیریپارامترهای بهینه شده پیدا شدند در حالی که از مابقی داده ها برای ارزیابی قابلیت های پیش بینی مدل استفاده شد. برازش مدل با استفاده از ضریب تعیین و دیگر پارامترهای آماری ارزیابی شد و نتایج در هر دو سناریو نتایج نشان دهندۀ توافق بالای بین دادههای اندازهگیری شده و ارزشهای محاسبه شده هستند. همچنین، این مدل را با مدلهای آماری کلاسیک هم مقایسه کردیم و قابلیتهای برتر مدل پیشنهادی ما نشان داده شد. شبیهسازی نیز با استفاده از بسته ای از نرم افزارهای موثق و کاربر پسند انجام شد.
ترجمه مقدمه
سر و صدای عبور و مرور جاده ای به همراه سر و صدای حاصل از راه های ریلی و همچنین صنایع جزو عوامل مهم ایجاد آلودگی صوتی در محیطهای شهری هستند. در سالهای اخیر تأثیرات سر و صدای ترافیک بر سلامتی انسان در موقعیتهای متعددی مورد تحقیق قرار گرفته است ( برینک، 2011؛ فیری و کلبو، 2009؛ پیررا، دو والک و کلویدس، 2010) و نتایج حاصله نشان می دهند که این نوع از آزار مشخصاً بر سلامتی ذهنی و جسمی انسان تأثیر گذار است، تأثیراتی مانند؛ ایجاد اضطراب، استرس، موانع شنیداری، اختلال خواب، مشکلاتقلبیوعروقی و غیره ... .
بنابراین، بسیار مهم است به منظور کنترل سطح صوتی سر و صدای ترافیک در محیطهای شهری، به ایجاد روشهایی برای پیشبینی آن بپردازیم. با توجه به توسعۀ سریع ابزار حمل و نقل و عبور و مرور جادهای، تأثیرات ساختار جریان عبور و مرور بر سطح سر و صدای ترافیکی به یکی از حوزه های مهم تحقیقاتی تبدیل شده است.
این امکان وجود دارد که از طریق پایش پارامترهای اساسی جریان ترافیک و رویههای آنها به پیش بینی و پایش سر و صدای بوجود آمده در بخشی خاص از شبکۀ حمل و نقل برسیم. در این مسیر می توان با استفاده از حالتهای مختلف مدیریت ترافیک به تأثیرات کاهش سر و صدا دست یافت و این نتایج بویژه برای سلامتی انسان و بهبود محیط زیست بسیار مهم هستند.
مدلهای دادهی اولیه در زمینۀ پیش بینی سر و صدای جاده ای (TNP) در سالهای دهۀ 1950 میلادی ایجاد شدند. از آن زمان تا کنون تعداد زیادی از روشها و مدلهای پیش بینی سر و صدای جاده ای ایجاد شده اند که نقد و بررسی پر استفاده ترین آنها در مقالۀ استیل (2001) و کوارتییری و همکارانش. (2009) آمده است. بیشتر مدلهای پیش بینی سر و صدای جادهای که در ادبیات موضوع به آنها اشاره شده بر اساس تحلیل رگرسیون خطی استوار هستند.محدودیتهای اصلی آن مدلها همانطور که در مقالات کوارتیری و همکاران. (2009) و گوارناچیا، لنزا، موستاراکیس و کوارتیری (2011) آمده عبارتند از؛ "این که آنها طبیعت ذاتی تصادفی بودن جریان عبور و مرور را در نظر نمیگیرند زیرا آنها اهمیتی به این که درواقعیت وسایل نقلیه چگونه حرکت می کنند نمی دهند و فقط تعداد آنها را در نظر می گیرند". در مدلهای پیشرفته، شبکه های عصبی مصنوعی (ANN) (کاماراتا، کاوالیری، و فیچرا، 1995؛ گیوارگیس و کریمی، 2010) و الگوریتمهای ژنتیک (گندوگدو، گداد، و یکسل، 2005؛ رحمانی، موسوی، و کمالی، 2011) نیز به کار گرفته شده اند.
مدل شبکه های عصبی مصنوعی که در مقالۀ کاماراتا و همکارانش. (1995) استفاده شده است دارای 3 ورودی است: 1) تعداد معادل وسایل نقلیه که این گونه به دست آمد؛ مجموع تعداد اتومبیلهای سواری بعلاوۀ سه برابر تعداد موتورسیکلتها بعلاوۀ شش برابر تعداد کامیونها، 2) متوسط وزن ساختمانهای کنار جاده، 3) و عرض جاده.
نویسندگان به منظور افزایش تعداد ورودیها، تعداد معادل وسایل نقلیه را به تعداد اتومبیلهای سواری، تعداد موتورسیکلتها، و تعداد کامیونها تجزیه کردند و مدل شبکه های عصبی مصنوعی را با 5 ورودی بکار گرفتند.
از لحاظ پارامترهایی که در مدل محاسبات سر و صدای ترافیک جاده ای (CoRTN) (کوارتیری و همکاران.، 2009) وجود دارند (این مدل در ابتدا توسط لابراتوار تحقیقات حمل و نقل و جاده و دپارتمان حمل و نقل انگلستان ایجاد شد)، مدل شبکه های عصبی مصنوعی که در مقالۀ گیوارگیس و کریمی (2010) استفاده شده است دارای 5 متغیر ورودی است: کل جریان عبور و مرور در ساعت، درصد وسایل نقلیۀ سنگین، میانگین سرعت عبور و مرور در ساعت، شیب جاده، و زاویۀ دید.نویسندگان، مدل ایجاد شده را با دادههای جمع آوری شده از خیابانهای تهران آزمون کردند و تفاوت خاصی بین نتایج مدل شبکه های عصبی مصنوعی توسعه یافته و مدل محاسبات سر و صدای ترافیک جادهای مشاهده نکردند. در مقالۀ گندوگدو و همکارانش. (2005) از الگوریتم ژنتیک برای مدلسازی سر و صدای جاده ای استفاده شد و در این ارتباط از داده های ترکیب ترافیک (وسیلۀ نقلیه در ساعت)، شیب جاده، و نسبت ارتفاع ساختمان به عرض جاده استفاده شد.
در مقالۀ رحمانی و همکارانش. (2011) مدل پیشنهادی تابعی است از کل جریان عبور و مرور معادل و سرعت معادل عبور و مرور. در هر دو مقاله، نویسندگان برای پیدا کردن مقادیر بهینه از MATLAB استفاده کرده اند. در مقالۀ حاضر کاربرد چهار تکنیک بهینه سازی برای پیش بینی سر و صدای جاده ای ارائه شده است. این تکنیکها عبارتند از:
الگوریتم ژنتیک، الگوریتم هوکی و جیوز، بازپخت و تبرید شبیه سازی شده، و بهینه سازی اجتماع ذرات.
مدل پیشنهادی شامل پنج متغیر میشود: تعداد وسایل نقلیۀ موتور سبک، تعداد کامیونهای متوسط(کامیونت)، تعداد کامیونهای سنگین، تعداد اتوبوسها، و متوسط سرعت جریان ترافیک. تمام مدلهای بهینه شده، با دادههایی که از خیابانهای صربستان و با استفاده از بستۀ نرمافزاری کاربر پسند نسخه اصلی جمع آوری شده بودند اندازه گیری شدند.