سیستم های آموزش هوشمند محیطی شخصی شده و مبتنی بر ویژگی های یادگیری در نظام آموزش الکترونیکی می باشند که دارای محیطی پویا و همراه با عدم قطعیت هستند. این نوع سیستم های آموزشی با بهره گیری از روش های هوش مصنوعی و با توجه به ویژگی های فردی یادگیرنده، موضوع مورد آموزش را به صورت اختصاصی برای یادگیرنده تنظیم و به روش مناسب به وی ارائه می کنند. یکی از مسائلی که در این سیستم ها مطرح می شود ارزیابی دانش دانشجو بر اساس دانش اولیه و نهایی و همچنین سطح بندی دانشجویان بر اساس دانش آنها برای ارائه گزارش پیشرفت و آموزش بهتر به آنها می باشد. هدف از این پایان نامه، ارزیابی و تحلیل سطح درک، دانش و مهارت های دانشجویان در حل مسائل از طریق تعامل با سیستم های آموزش هوشمند می باشد. همچنین دانشجویان براساس ملاک های ذکر شده سطح بندی شده و گزارش پیشرفت به آن ها ارائه می گردد. با توجه به اینکه توسعه سیستم‏های آموزش هوشمند کاری پرهزینه و زمان‏بر است، داده های مورد استفاده در این پایان نامه، از فایل های وقایع نگاری درس هوش مصنوعی که در سیستم مدیریت یادگیری مودل توسط یک فرد خبره شبیه سازی شده است، بدست آمده اند. سیستم های مدیریت یادگیری بسته های نرم افزاری هستند که فرایند آموزش الکترونیکی از راه دور بین استاد و دانشجو را فراهم می کنند. در این سیستم ها نیز زمانی که دانشجویان با آموزگار در ارتباط هستند، رفتار ظاهری آن ها از قبیل زمان حل مسئله، اشتباهات و درخواست های کمک ثبت می شود، اما درک، دانش و مهارت های دانشجویان در حل مسئله نادیده و ناشناخته می ماند. همچنین این سیستم ها دانشجویان را براساس دانش آن ها سطح بندی نمی کنند و آموزش و بازخورد سیستم برای همه دانشجویان یکسان می باشد. در این پایان نامه با استفاده از شبکه‏ بیزی، روشی جهت ارزیابی و تحلیل سطح درک، سطح دانش و مهارت های دانشجویان در حل مسائل ارائه شده است. سپس با الگوریتم خوشه بندی k-میانگین، دانشجویان در چهار سطح(دانشجویان با سطح درک، سطح دانش و مهارت های خیلی ضعیف، ضعیف، متوسط و قوی) قرار می گیرند تا براین اساس توصیه های مناسب و گزارش پیشرفت دانشجویان به آن ها ارائه شود. روش پیشنهادی را می توان در سیستم های آموزش هوشمند و سیستم های مدیریت یادگیری پیاده سازی کرد. نتایج حاصل از تحلیل بر روی داده های واقعی ثبت شده از دانشجویان، به هنگام آموزش درس هوش مصنوعی با استفاده از سیستم مدیریت یادگیری مودل بیانگر موفقیت و دقت قابل قبول روش پیشنهادی می باشد.

سیستم‏های آموزش هوشمند که دارای قابلیت همراهی دانشجو در طول حل مسئله و دادن بازخورد و راهنمایی هستند، با ایجاد محیطی شخصی شده کیفیت آموزش را افزایش می‏دهند. در این پژوهش یک مدل خبره برای آموزش جستجو به نحوی طراحی شده که سیستم با دقت بالا در ارزیابی دانش و انتخاب راهنمایی مناسب به سمت ایجاد محیطی شخصی شده پیش رود. برای طراحی مدل خبره نخست یک سناریو چندگامی برای آموزش طراحی می‏شود. چون سناریو دارای رویکرد یادگیری از حل است، بنابراین جنبه رویه‏ای دانش موجود در سناریو غلبه دارد. یکی از روش‏های موثر جهت نمایش دانش رویه‏ای استفاده از قوانین است؛ از این رو پایگاه دانش مبتنی بر قانون است. با توجه به اینکه دانش با قوانین نمایش داده شده است، ‏می‏توان دانش دانشجو را با میزان فهم وی از هر قانون ارزیابی نمود. این ارزیابی در تصمیم‏گیری مربوط به چگونگی راهنمایی مناسب دانشجو به هنگام آموزش نقشی اساسی دارد. اما چنین ارزیابی‏هایی به دلایلی مانند وجود مسیرهای چندگانه برای رسیدن به جواب و پنهان بودن استنتاج دانشجو با عدم قطعیت همراه است. در این پژوهش برای غلبه بر عدم قطعیت موجود، از شبکه بیزی مستقل از دامنه آموزش استفاده شده است. از سوی دیگر انتخاب راهنمایی مناسب نیز تاثیر بسزایی در روند یادگیری دانشجو دارد. انتخاب راهنمایی بر اساس میزان دانش دانشجو انجام می‏گیرد. در این پژوهش برای انتخاب راهنمایی از یک شبکه عصبی مصنوعی پیش رونده‏ی سه لایه استفاده شده است که این شبکه میزان دانش دانشجو را از خروجی شبکه بیزی یاد شده به عنوان ورودی دریافت می‏کند. هزینه شبیه‏سازی مدل خبره در این پژوهش به دلیل نبود موتور استنتاج حدود 10 برابر کمتر از پیاده‏سازی این مدل در سیستم‏های آموزش هوشمند است. همچنین بیش از 80 در صد دانشجویان اذعان نمودند سیستم در یادگیری بهتر روش جستجوی اول سطح به آنها یاری می رساند. شبکه بیزی ارائه شده برای ارزیابی دانش دانشجو بطور میانگین 98 درصد دقت دارد. دقت شبکه عصبی مصنوعی پیش رونده‏ی سه لایه نیز که برای ارتباط مدل خبره با مدل آموزش استفاده می شود، با روش ارزیابی متقابل k- بخشی برای تنها متغیر خروجی 5/92 درصد برآورد گردید. از شبکه بیزی و شبکه عصبی بررسی شده می‏توان در هر سیستم دیگری بدون توجه به نحوه پیاده‏سازی موتور استنتاج جهت ارتباط مدل خبره‏ی مبتنی بر قانون با مدل‏های دانشجو و آموزش بهره برد. این دو شبکه پی‏در‏پی را می‏توان جهت ارتقای کیفی در کنار سیستم مدیریت آموزشی که دانش آن با قانون نمایش داده شود نیز بکار برد.

امروزه اطلاعات زیادی بر روی وب موجود است، اما این اطلاعات نیاز کاربر را از نظر آموزشی برآورده نمی کند زیرا مدیریت محتوای ذخیره شده، هماهنگ سازی محتوا و مدیریت کاربران در برنامه های کاربردی مختلف وب که حاصل وب سایت های ناهمگن است دشوار است و جهت غلبه بر محدودیت های ذکر شده و ایجاد آموزش مناسب برای کاربران نیاز به مدل های مناسب و فرایندهایی است که به صورت پویا و هوشمندانه به ایجاد مسیرهایی جهت برآوردن انتظارات و اهداف یادگیرنده در محیط وب جدید بپردازد. در این پژوهش سیستم آموزش الکترونیک هوشمندی بر پایه وب2 بررسی شده است، که این سیستم به کمک ابزارهای موجود در وب2 و با بکار گیری تکنیک های هوش مصنوعی روشی کار آمد جهت محاسبه مناسب ترین آموزش که قادر به پشتیبانی از یادگیری محتوا، فعالیت ها و علایق یادگیرنده باشد، تولید می کند. این پژوهش نشان خواهد داد که چگونه نمایش هستی شناسیِ آموزش الکترونیک امکان مدل سازی محیط اجرایی وب2 با انباره- هایی توزیع یافته را به صورت مساله مکان یابی محل امکان پذیر می سازد. همچنین یک چارچوب تصمیم گیری با بهره برداری از تئوری بهینه سازی ممتیک استفاده شده تا مناسب ترین تطبیق بین مسیرهای یادگیری و فعالیت های یادگیری در دسترس را استخراج کند. تمامی تکنیک ها و الگوریتم های استفاده شده در این سیستم آموزشی را توسط پلاگین های نرم افزاری چند- بخشی از نقطه نظر انعطاف پذیری، بازدهی و قابلیت همکاری تست کرده ایم. در نتایج محاسباتی حاصله الگوریتم ممتیک از نظر بهینه سازی توانایی الگوریتم ژنتیک را داشته در حالیکه از نظر بار محاسباتی کم هزینه تر و سریعتر بوده است. همچنین در نتایج آموزشی سیستم، قبل از استفاده از سیستم 75% یادگیرندگان در سطح ضعیف و 20% در سطح متوسط و 5% در سطح بالایی از مفاهیم آموزشی قرار داشتند، اما پس از استفاده از سیستم مورد بررسی نتایج به صورت قابل توجه تغییر یافت به گونه ای که 12% افراد در سطح پایین، 45% در سطح متوسط و 43% در سطح بالای آموزشی قرار گرفتند.

در یک سیستم آموزش هوشمند در بستر الکترونیکی، آنچه دارای اهمیت ویژه است ارائه آموزش های مورد نیاز به استفاده کنندگان از سیستم و حصول اطمینان از دریافت این آموزش ها و ارائه بازخوردهای مناسب به آنها می باشد. در این راستا، یکی از مسائل مهم در آموزش الکترونیکی، ارائه درس مطابق با ویژگیهای یادگیری دانشجو است بگونه ای که کاهش هزینه، افزایش بهره وری و تسریع در روند آموزش را در پی داشته باشد. لذا در این پژوهش سعی شده است با استفاده از استانداردهای آموزش الکترونیکی، تئوری های آموزشی و برخی از تکنیکهای هوش مصنوعی سیستم آموزشی هوشمندی را بررسی کنیم که از بهترین روش برای محاسبه مسیر آموزشی تطبیقی شامل چینش مناسب از مفاهیم و محتویات آموزشی درس، با توجه به مشخصه های سبک یادگیری و سطح دانش دانشجو، استفاده کند. در این مطالعه، برای آموزش هر مفهوم از درس، حداکثر فعالیتهای یادگیری ممکن با منابع آموزشی مختلف مثل سخنرانی، اسلاید و غیره تعریف کرده و سپس فعالیتهایی را که نتیجه آموزشی مشابهی دارند را در یک دسته قرار دادیم. با توجه به پژوهش انجام گرفته، می توانیم سبک یادگیری دانشجو (سمعی، بصری و غیره) را بر طبق تئوری آموزشی فلدر و سطح دانش او را مطابق با طبقه بندی دانش بلوم، استخراج و در مدل دانشجو ذخیره کنیم و با توجه به این مدل، برای نشان دادن میزان تناسب منبع فعالیت یادگیری با سبک یادگیری دانشجو، به هر فعالیت یادگیری، مقدار کارایی اختصاص می دهیم. با استفاده از استانداردهای آموزشی الکترونیکی، بستر مناسبی برای ارائه محتویات آموزشی و تعامل با دانشجو در سیستم مورد نظر فراهم کردیم. برای انتخاب بهترین تکنیک جهت تولید مسیر آموزشی تطبیقی و ارزیابی سیستم آموزشی، آزمایش هایی از دو دیدگاه محاسباتی و آموزشی انجام شد. از دیدگاه محاسباتی، آزمایش اول، کاربرد الگوریتم های تکاملی ژنتیک و ممتیک برای تولید مسیر آموزشی را مقایسه می کند، آزمایش دوم، ترکیبی از دو تکنیک طرح ریزی خودکار و برنامه ریزی خطی، را مورد بررسی قرار می دهد و در نهایت، مقایسه ای بین تکنیکهای ترکیبی طرح ریزی خودکار_الگوریتم ممتیک و طرح ریزی خودکار_ برنامه ریزی خطی داریم. نتایج بدست آمده از آزمایش ها، حاکی از این است که روش ترکیبی طرح ریزی خودکار_الگوریتم ممتیک در تولید مسیر یادگیری با کارایی بالاتر و زمان اجرای مناسب، نسبت به سایر روشها موفق تر است. از دیدگاه آموزشی، این سیستم آموزشی را برای آموزش 20 دانش آموز دختر رشته کامپیوتر هنرستان های فنی در شهر زاهدان بکار بردیم و پس از آموزش با سیستم، سطح دانش آنها را با دانش آموزانی که به روش سنتی کلاسی آموزش دیده اند مقایسه کردیم. نتایج نشان دهنده کیفیت بالای سیستم آموزشی تطبیقی است.

طرح ریزی خودکار در مورد اَعمال در جهت دستیابی به مقصودی مطلوب است که هدف آن مدل کردن مسایل جهان واقعی و حل آنها توسط سیستم های خودکار می باشد. در واقع طرح ریزی، فراهم نمودن دنباله ای از اَعمال است که با اجرای روی یک حالت اولیه داده شده آن را به حالت مقصد (هدف نهایی) می رساند. ساده ترین صورت از طرح ریزی خودکار، طرح ریزی کلاسیک است که شامل دانش کامل از محیط واَعمال معین می باشد، اما اغلب مسایلی که در حوزه جهان واقعی علاقمند به حل آنها هستیم در حیطه طرح ریزی کلاسیک قرار نمی گیرند؛ زیرا عامل تمامی دانش لازم برای حل مساله را در اختیار ندارد و این باعث بروز عدم قطعیت در حالت های فضای جستجو می گردد. بسیاری از طرح ریزها برای یافتن یک جواب برای مسایل غیر کلاسیک، در واقع این مسایل را به عنوان مساله ی یافتن مسیر در یک گراف جهتدار در نظر می گیرند که گره های آن نمایش دهنده ی حالت ها و یال های آن نشان دهنده ی انتقال های بین حالت ها به واسطه اجرای اَعمال می باشد. این روش بر پایه ی به کار گیری توابع ابتکاری در هدایت جستجو استوار است. اما در فرموله کردن مساله غیر کلاسیک به عنوان مساله ی یافتن مسیر در گراف جهتدار با دو چالش عمده روبرو هستیم که عبارتند از: نمایش حالت های باور و بروز رسانی آنها و استفاده از توابع ابتکاری در هدایت جستجو. در این پایان نامه روشی متفاوت برای حل مسایل غیر کلاسیک معین بررسی می گردد. در این روش مساله طرح ریزی غیر کلاسیک به یک مساله طرح ریزی کلاسیک تبدیل شده سپس از طریق طرح ریزهای کلاسیک از پیش آماده حل می شوند. مزیت این تبدیل در این است که توابع ابتکاری در طرح ریزی کلاسیک، که بر پایه دانش کامل عمل می کنند نسبت به توابع ابتکاری غیر کلاسیک و بر پایه دانش ناکامل عملکرد بهتری دارند. این رویکرد تبدیل- محور روی برخی از مسایل برگزیده از مسابقات طرح ریزی بین المللی اجرا شده و نتایج بدست آمده با نتایج حاصل از سایر طرح ریزهایی که بر اساس روش های پیشین عمل می کنند، مقایسه شده است و این قیاس نشان از عملکرد قابل قبول روش تبدیل- محور دارد.

سیستم های آموزش هوشمند و آموزش الکترونیکی طی چند سال گذشته پیشرفت های قابل ملاحظه ای داشته اند. هر کدام از این سیستم ها به نحوی در بخشی از آموزش مورد استفاده قرار می گیرد، اما حوزه های فعالیتی آنها متفاوت است. خوشبختانه امروزه، افزایش محتویات علمی آموزشی، ضرورت بهره برداری بهینه از سیستم های آموزش الکترونیکی را بیش از پیش آشکار کرده است. از طرف دیگر با به کارگیری و ترکیب تکنیکهای هوشمندسازی به کار رفته در سیستم های آموزش هوشمند، می توان از دانش وسیعی که در سیستم های آموزش الکترونیکی وجود دارد و قسمت عمده ای از دانش بشری را شامل می شود، استفاده کرد و سیستم های آموزش هوشمند، مبتنی بر دانش سیستم های آموزش الکترونیکی ایجاد نمود. این پایاننامه با بررسی نقاط قوت و ضعف هر دو سیستم ضمن بیان لزوم ترکیب آنها، فرصت ها و چالش های پیرامون ادغام این سیستم ها را بیان می کند، سپس با ارایه یک طرح پیشنهادی مبتنی بر شبکه معنایی، الگوریتمی برای نمایش قسمتی از دانش یک سامانه آموزش مجازی به صورت شبکه معنایی ارایه می دهد و به دنبال آن با استفاده از شبکه معنایی ایجاد شده، الگوریتم های پیشنهادی مولد طرح درس، یافتن کوتاه ترین مسیر آموزشی و یافتن پرارزش ترین شی آموزشی را معرفی می کند. برای بررسی عملیاتی بودن طرح ارائه شده، با استفاده از روش ارایه شده در این پایان نامه، قسمتی از محتویات آموزشی یک سامانه آموزش مجازی که مورد استفاده اغلب دانشگاه های مطرح دنیا می باشد، جمع آوری شد و ضمن خلاصه سازی داده های آموزشی، بازنمایی قسمتی از دانش آن به صورت یک شبکه معنایی با موفقیت به انجام رسید. تمامی الگوریتم های پیشنهادی این پایان نامه از نظر پیچیدگی محاسباتی بررسی شدند. الگوریتم های مولد طرح درس از پیچیدگی o(n)، تعیین کوتاه ترین مسیر آموزشی از پیچیدگی o(n^3)و یافتن پرارزش ترین شی آموزشی از پیچیدگی o(n^2) می باشد. پیچیدگی محاسباتی اجرای این الگوریتم ها موید بازدهی خوب آنها در شرایط واقعی است. هم چنین با بررسی نتایج آموزشی، تاثیر مثبت به کارگیری سیستم پیشنهادی اثبات گردید.

مساله مسیریابی یکی از مسائل مهم در بهینه سازی است، که فضای جستجوی آن جهت بررسی جواب مساله، دارای گستردگی و حجم زیاد است. در این پژوهش، به بررسی کاربرد الگوریتم ژنتیک جهت جستجوی مسیر بهینه در سیستم های هدایتخودرو در شبکه حمل و نقل جاده ای می پردازیم. مسالهجستجوی مسیر بهینه در سیستم های هدایت خودرو همان مساله کوتاهترین مسیر بین مبدا و مقصد است، که به عنوان مسیریابی مطرح می شود. در این روش جهت مسیریابی در سیستم هدایت خودرو چهار هدف کمینه مسافت، کمینه هزینه، کمینه خطر و کمینه زمان در نظر گرفته می شود. الگوریتم ژنتیک بررسی شده به منظور حل مساله مسیریابی در سیستم های هدایت خودرو، با زبان برنامه نویسی متلب پیاده سازی شده و برای ورودی با پیچیدگی مختلف، اجرا شده است. نتایج حاصل از اجرای الگوریتم نشان داده است که الگوریتم بررسی شده قادر به بدست آوردن جواب بهینه سراسری یا نزدیک به بهینه سراسری می باشد.

چکیده: دندانپزشکان بر اساس مشاهدات جمع آوری شده از بیماران، طرح درمان را مشخص می کنند. با این وجود در بسیاری از موارد، مشاهدات موجود با توجه به رفتار و بروز علائم غیر دقیق بخصوص در کودکان ناکامل و مبهم است و در نتیجه فرآیند تصمیم گیری همراه با عدم قطعیت می باشد. در این تحقیق برای غلبه بر عدم قطعیت موجود در تصمیم گیری، یک سیستم تصمیم یار مبتنی بر شبکه بیزی بررسی شده است که می تواند برای تعیین طرح درمان در شرایط دشوار تصمیم گیری به دندانپزشکان یاری برساند. در این شبکه بیزی برای تعیین روابط بین متغیرها، شامل علائم و درمانها، از الگوریتم خوشه بندی k_میانگین استفاده شده است. سیستم پیشنهادی با استفاده از سناریوهای واقعی بیماران ارزیابی شده است و نتایج حاصل، حاکی از دقت قابل قبول آن می باشد. کلمات کلیدی: شبکه بیزی، سیستم تصمیم یار، دندانپزشک، عدم قطعیت

زمانبندی، اختصاص دادن منابع به اشتراک گذاشته در طول زمان به منظور انجام فعالیت ها است. در مسئله زمانبندی تولید کارگاهی یک مجموعه متناهی از کارها باید توسط یک مجموعه متناهی از ماشین ها پردازش شوند، هر کار از یک سری ترتیب اجرایی خاص روی ماشین ها پیروی می کند؛ به علاوه زمان پردازش هر کار روی یک ماشین قطعی است. هر ماشین در یک زمان می تواند حداکثر یک کار را انجام دهد، همچنین هر کار در هر زمان تنها می تواند بر روی یک ماشین پردازش شود و یک کار پس از شروع تا زمان اتمام نمی تواند به وقفه بیفتد. با توجه به اینکه این مسئله جزء مسائل np-سخت می باشد و با الگوریتم های دقیق در زمان چندجمله ای قابل حل نیست، بنابراین برای حل این دسته از مسائل از الگوریتم های فرا ابتکاری استفاده می شود. در این تحقیق، مسئله زمانبندی تولید کارگاهی با هدف کمینه سازی حداکثر زمان تکمیل کارها با استفاده از الگوریتم سیستم کلونی مورچگان مطالعه و بررسی شده است. بکارگیری الگوریتم فرا ابتکاری سیستم کلونی مورچگان که از مجموعه الگوریتم های هوش جمعی بوده، در مسئله زمانبندی تولید کارگاهی توانایی پیدا کردن جواب های دارای کیفیت بالا و در یک زمان قابل قبول را افزایش داده است. نتایج بدست آمده از چند نمونه حل شده از مسائل زمانبندی تولید کارگاهی با استفاده از الگوریتم سیستم کلونی مورچگان و مقایسه آن با نتایج دیگر الگوریتم های فرا ابتکاری بیانگر برتری و موفقیت این الگوریتم می باشد.

تنظیم برنامه نوبت کاری پرستاران در یک افق برنامه ریزی مشخص به طوری که نیازمندی های بیمارستان، پرستاران و بیماران را تحت پوشش قرار دهد، یکی از مسائل مهم مدیریت در بیمارستان ها است. این مسآله شامل ایجاد یک پیکربندی از شیفت های کاری رضایت بخش برای تمام پرستاران، با در نظر گرفتن مجموعه ای از محدودیت ها از جمله مقررات کار و ترجیحات پرستاران است. حل مسأله نوبت کاری پرستاران به درستی تأثیر مثبتی بر شرایط کاری پرستاران داشته و به بهبود کیفیت مراقبت های پرستاری کمک می کند. این مسأله در حیطه مسائل برنامه ریزی نیروی انسانی، بهینه سازی ترکیبی با درجه پیچیدگی np-hard می باشد که همواره برای پزشکان، محققان در هوش مصنوعی و تحقیق در عملیات چالش برانگیز بوده است. در این تحقیق با استفاده از ترکیب دو الگوریتم فرا ابتکاری، جستجوی ممنوعه به عنوان یک الگوریتم مبتنی بر جواب منفرد و الگوریتم ژنتیک به عنوان یک الگوریتم مبتنی بر جمعیت، یک روش هوشمند بهینه سازی جهت حل مسأله نوبت کاری پرستاران ارائه شده است. پیاده سازی الگوریتم های مورد بررسی با زبان سی شارپ صورت گرفته و در نهایت عملکرد آن با توجه به کیفیت جواب و زمان حل ارزیابی شده و نتایج بدست آمده نشان دهنده کارایی و اثربخشی قابل قبول الگوریتم ترکیبی پیشنهادی نسبت به سایر روش ها مورد بررسی است.

سیستم های آموزش هوشمند با بهره گیری از روش های هوش مصنوعی و با توجه به ویژگی های فردی یادگیرنده، موضوع مورد آموزش را به صورت اختصاصی برای یادگیرنده تنظیم و با روش مناسب به وی ارائه می کنند. یکی از مسائلی که در این سیستم ها مطرح می شود، ارزیابی دانش دانشجو بر اساس دانش اولیه و نهایی و هم چنین سطح بندی دانشجویان بر اساس دانش آنها، برای ارائه گزارش پیشرفت و آموزش بهتر به آنها می باشد. هدف از این پایان نامه، بررسی کارائی و دقت روش ارزیابی دانش دانشجو در یک سیستم آموزش هوشمند تحت وب برای یادگیری زبان¬های برنامه¬نویسی است. روش مورد بررسی، دانش فراگیرنده را به صورت زیر مجموعه¬ای از دانش خبره در نظر می¬گیرد و سپس از منطق فازی برای تعریف و بروز رسانی سطح دانش دانشجو استفاده می¬کند. در روش مورد بررسی برای آموزش، از محصلان مقطع هنرستان به منظور یادگیری زبان برنامه نویسی c استفاده شده است و نتایج بدست آمده حاکی از موثر بودن آن در ارتقاء کیفیت آموزش دارد.

مسئله زمانبندی عملیات جرثقیل های اسکله شامل تعیین دنباله ای از اعمال بارگیری و تخلیه برای جرثقیل های اختصاص داده شده به یک شناور می باشد، تا زمان تکمیل عملیات شناور کمینه گردد. روش دستی زمانبندی عملیات جرثقیل های اسکله اغلب منجر به بروز تداخل بین جرثقیل ها می شود؛ بخصوص که افزایش روز افزون اندازه کشتی ها به پیچیدگی این مسئله می افزاید. از این رو، در چند دهه اخیر، تحقیقات متعددی درباره زمانبندی بهینه این عملیات با هدف کاهش زمان توقف شناور در بندر و عدم تداخل جرثقیل ها صورت گرفته است. در پژوهش حاضر، کاربرد سه الگوریتم ژنتیک، جستجوی هارمونی و ممتیک مبتنی بر جستجوی ممنوعه جهت حل مسئله فوق بررسی گردیده است. الگوریتم ها پس از پیاده سازی با نرم افزار matlab، برای مسائل با اندازه پیچیدگی متفاوت ارزیابی شده اند. ارزیابی نتایج حاصل از پیاده سازی حاکی از عملکرد بهتر الگوریتم ممتیک مبتنی بر جستجوی ممنوعه در مقایسه با الگوریتم جستجوی هارمونی و ژنتیک در یافتن راه حلی با هزینه بهتر می باشد.

در این پژوهش طرح ریزی را با اولویت های ناشناخته کاربر و اولویت های جزئی شناخته شده بررسی کرده ایم. بدین منظور از گراف طرح ریزی و جستجوی محلی جهت تولید مجموعه طرح برای کاربر استفاده نموده ایم. همچنین به هنگام عدم وجود اطلاعات درباره اولویت های کاربر از روش های حریصانه و تصادفی و به هنگام موجود بودن دانش جزئی از روش های نمونه گیری و ترکیبی استفاده شده است. نتایج آزمایش ها نشان می دهد که روش های حریصانه و نمونه گیری، مجموعه طرح ها را با تنوع بیشتری برای کاربر تهیه می کنند.

پایانه های کانتینری دریایی مکان هایی هستند که به منظور انتقال کانتینرها بین وسایل نقلیه مختلف از جمله کشتی‎، قطار و کامیون بکار می‎روند. در هر پایانه ی کانتینری، محوطه ای برای نگهداری موقت کانتینرها مورد استفاده قرار می گیرد که انبار کانتینر نامیده می شود. بهروری پایانه های کانتینری، وابستگی زیادی به کارایی بارگذاری کانتینرها در کشتی ها دارد. کارایی بارگذاری کانتینرها، وابسته به چگونگی پشته سازی کانتینرها در انبار کانتینر است. این مسئله به مسئله پشته سازی کانتینرها معروف است که در آن جرثقیل ها می توانند کانتینرهای چینش شده به صورت پشته ای را جابجا کنند تا کانتینرهای مورد تقاضای کشتی ها در زمان مورد انتظار در دسترس قرار گیرند. این کار باید در کمترین تعداد جابجایی و با برآورده ساختن محدودیت های محیط واقعی از جمله متوازن ماندن پشته نهایی کانتینرها، صورت گیرد. طرح‎ریزی فرایندی است که فعالیت‎هایی را برای رسیدن به هدف خاص سازمان دهی می کند. در این پژوهش، با استفاده از روش طرح ریزی خودکار به بررسی حل مسئله تخصیص کانتینرها در پایانه های کانتینری پرداخته شده است که به مسئله پشته سازی کانتینرها معروف است. در این خصوص، از یک تابع ابتکاری وابسته به دامنه برای بهینه سازی طرح های حاصل شده، و معیارهای بهینه سازی برای بر طرف کردن برخی از محدودیت ها و مشکلات موجود در پایانه های کانتینری، استفاده شده است. همچنین، جهت هرس کردن فضای جستجو در طرح‎ریزی، قوانین کنترلی بکار رفته است. نتایج آزمایش ها روی طرح ریزی حاکی از قابلیت آن در پیدا کردن بهترین تخصیص کانتینرها، به منظور کمینه کردن تعداد جابجایی ها، در چند هزارم ثانیه است.

یادگیری تقویتی، یکی از شاخه های مطرح یادگیری ماشین در هوش مصنوعی است که برای حل یک مسئله نیازی به شناخت کامل از محیط ندارد، زیرا مسئله را به صورت یک عامل خودمختار و هدفمند می شناسد که با یک محیط نامعین در ارتباط است و ادراکات عامل از محیط را به عنوان حالت واقعی محیط در نظر می گیرد. یکی از کاربردهای این نوع از یادگیری در مسیریابی می باشد. یافتن مسیر بهینه در محیط های بزرگ و پیچیده با این روش می تواند مشکل باشد. برای غلبه بر این ضعف، ترکیب یادگیری تقویتی با طرح ریزی که عمدتا جستجویی برای یافتن مسیر بهینه در فضای حالت است، الگوریتم های dyna را نتیجه می دهد که قادر هستند اطلاعات دریافتی را برای حالت های مجاور ارزیابی نمایند. در این پژوهش، به بررسی یک تکنیک طرح ریزی اکتشافی به نام dyna-h پرداخته شده است که توانایی جستجوی اکتشافی در مسیریابی را دارد. الگوریتم بررسی شده، با استفاده از الگوریتم یادگیری تقویتی، مسیر های مناسب تری را از بین کل مسیر های موجود انتخاب می کند. الگوریتم dyna-h را با دو الگوریتم مسیریابی یادگیری- q و dyna-q، از نظر میزان و سرعت یادگیری مورد مقایسه قرار داده و این نتیجه حاصل شد که dyna-h، در مسائل مسیریابی نتایجی به وضوح بهتر را فراهم می نماید. کلمات کلیدی: الگوریتم یادگیری- q، الگوریتم dyna-q، الگوریتم dyna-h ، مسیریابی، یادگیری تقویتی

در این پژوهش یک روش عددی برای حل معادلات دیفرانسیل با استفاده از تکنیک¬های هوش مصنوعی بررسی می¬شود. بطور خاص از شبکه عصبی مصنوعی برای تولید ضرایب رانگ¬کوتای مرتبه دوم و سوم و از الگوریتم¬های تکاملی برای تولید ضرایب رانگ¬کوتای مرتبه (4)5 استفاده شده است. شبکه عصبی بصورت جداگانه برای تولید روش رانگ¬کوتای مرتبه دوم و سوم که یک مسئله دو جسم را حل می¬کند طراحی شده است، بگونه ای که آموزش شبکه عصبی مقادیر بهینه ضرایب این روش¬ها را بدست می¬دهد. از دو الگوریتم ممتیک مبتنی بر الگوریتم¬ تکامل تفاضلی و ژنتیک برای بدست آوردن ضرایب بهینه روش رانگ¬کوتای مرتبه (4)5 استفاده شده است بگونه ای که این ضرایب، سیستم جبری رانگ¬کوتا را ارضا ¬کنند و به طور هم زمان دارای خطای برش محلی کوچکی باشند. نتایج حاصل نشان می¬دهد که شبکه عصبی قادر به ایجاد روش¬های رانگ¬کوتای مرتبه دوم و سوم با دقت 4 رقم اعشار است. مقایسه روش¬های جدید حاصل از شبکه عصبی با روش¬های شناخته شده دیگر، کارایی آن را ثابت می¬کند و قابلیت شبکه را برای ارائه الگوریتم کارآمد برای مسائل خاص نشان می¬دهد. مسائل شناخته شده detest بطور جداگانه با استفاده از رانگ کوتای مرتبه (4)5 با ضرایب حاصل از الگوریتم های ممتیک مبتنی بر الگوریتم تکامل تفاضلی و ژنتیک و روش رانگ کوتا درمند- پرنس مرتبه (4)5 حل شده است. نتایج حاصل از مقایسه جواب های بدست آمده از این روش¬ها نشان می دهد که، جواب های بدست آمده از تقریب قابل قبولی برخوردار است و کارایی روش حاصل از الگوریتم های ممتیک مبتنی بر الگوریتم تکامل تفاضلی و ژنتیک بترتیب به طور متوسط تنها 8% و 5% از روش شناخته شده¬ی درمند- پرنس کمتر می¬باشد.

الکتروکاردیوگرافی علمی است که از آغاز پیدایش خدمات شایانی را در جهت تشخیص بیماریها و آریتمی های قلبی به جامعه پزشکی ارائه نموده است و همواره بعنوان کاربردی ترین ، سریعترین و ارزانترین روش تشخیص در بیماریهای قلبی مطرح بوده است و با وجود پیشرفتهای جدید در علم پزشکی و پیدا شدن راههای جدیدتر هنوز الکتروکاردیوگرافی در مقام اول نسبت به راههای تشخیصی جدید قرار گرفته است. در این میان مطالعه موارد قلبی از بهترین روشهاجهت آشنایی با این علم می باشد. هر چند که هیچ روشی نمی تواند جایگزین تجربه بالینی شود ولی این روش نسبت به روشهایی که فقط آموزش تفسیر الکتروکاردیوگرافی را دارند به دنیای بالینی نزدیکتر است.