مسائل تشخیص ناهنجاری به شناسایی خودکار رفتارهای نابهنجار در حجم وسیعی از داده ها می پردازند. تشخیص ناهنجاری یک مفهوم در حال رشد در جهان است و الگوریتم های زیادی برای آن وجود دارد. به دلیل رشد افزاینده فعالیت های غیرمجاز در تراکنش های سوختی ترمینال های فروش بنزین، حل این مسئله برای ترمینال های فروش بنزین بسیار مورد نیاز است. این پایان نامه یک ایده جدید بر پایه نقشه های فازی شناختی برای تشخیص ناهنجاری های جایگاه های عرضه بنزین ارائه می دهد. یک نقشه شناختی فازی می تواند به عنوان یک یادگیرنده تحت بازرسی استفاده شود. ما در اینجا از یک نقشه شناختی فازی نیمه خودکار به عنوان یک یادگیرنده بدون بازرسی استفاده کرده ایم. برای رسیدن به یک نتیجه بهتر، ما ابتدا از یک الگوریتم خوشه بندی نقشه خودسازمان ده کوهنن استفاده کرده ایم و سپس جایگاه های خوشه بندی شده را وارد یک الگوریتم نقشه فازی شناختی کرده ایم. در نهایت، جایگاه های مشکوک در هر خوشه شناسایی شده و الگوهای رفتاری جایگاه ها مشخص شده اند.

یکی از موارد مهم برای تعیین موفقیت یا شکست یک سازمان، مکان می باشد. بطوری که تصمیم گیری درست درباره آن می تواند باعث پیروزی شود و انتخاب نادرست آن باعث شکست سازمان شود. به مسائلی که هدف آن ها یافتن مکانی برای جانمایی یک تسهیل برای سرویس دادن است مسائل جانمایی تسهیلات گفته می شود. آرگومان های هندسی با آرگومان های مربوط به نظریه بازی ها ترکیب شده اند تا نشان داده شود که چگونه رفتار تصمیم گیران روی یکدیگر اثرگذار است. بازی ورونوی یک مدل هندسی ساده برای جانمایی رقابتی تسهیلات است. در بازی ورونوی، دو بازیکن هر کدام تعداد مشخصی n تسهیل را در ناحیه u جایگذاری می کنند. پس از اینکه تمامی 2n تسهیلات جایگذاری شد، تصمیمات آنها با توجه به دیاگرام ورونوی این 2n نقطه ارزیابی می شود. در این صورت بازیکنی که تسهیلات آن ناحیه بزرگتری را تحت کنترل داشته باشد، برنده است. در حل مسائل سعی می کنیم، از الگوریتم های استفاده کنیم که خروجی آنها به داده های دنیای واقعی نزدیک تر باشد. بازی ورونوی براساس ساختار دیاگرام ورونوی می باشد. تاکنون ساختار دیاگرام ورونوی را بر اساس فاصله رسم نموده اند. علاوه بر معیار فاصله، ویژگی های دیگر تسهیلات با توجه به مسئله در رسم دیاگرام ورونوی در نظر می گیریم که یکی از انواع دیاگرام ورونوی به نام دیاگرام ورونوی وزن دار می باشد. در این بازی به بررسی استراتژی های برد بازیکن ها می پردازیم. این مدل بازی ورونوی تقریبی نزدیک به مسائل دنیای واقعی می باشد.

با گسترش روابط اجتماعی در فضای مجازی، نقش این شبکه ها در زندگی روزمره انسان ها پررنگ تر شده است. امروزه شبکه های اجتماعی برخط، نه صرفاً فضایی برای تبادل تجربیات ، بلکه ابزار مفیدی در تصمیم گیری های افراد است؛ تصمیماتی چون خرید کالا، انتخاب شغل، گزینش همسر، تأیید اخبار و غیره. اشخاص در این شبکه ها به تبادل اطلاعات با کسانی می پردازند که با آن ها به نوعی احساس نزدیکی می کنند. این نزدیکی می تواند به واسطه دوستی، خویشاوندی و آشنایی باشد؛ یا بر اساس علایق و مشابهت های فردی شکل گرفته باشد. همچون فضای واقعی، در فضای مجازی نیز تعاملات بر دو دسته است: تعاملات مثبت که نمایانگر دوستی، علاقه و اعتماد است و تعاملات منفی که نشانه دشمنی، عدم علاقه و عدم اعتماد است. همان قدر که تعاملات مثبت افراد در تصمیم گیری های آن ها موثر است، تعاملات منفی هم در انتخابشان تأثیرگذار می باشد. آگاهی از این تعاملات می تواند شناخت خوبی از تصمیمات و رفتار افراد ارائه دهد. مطالعاتی که در گذشته بر روی پیش بینی روابط افراد در شبکه های اجتماعی شده، بیشتر معطوف به روابط مثبت بوده است. در کنار بسیاری از شبکه های اجتماعی که تنها وجود یا عدم وجود رابطه بین افراد مد نظر قرار می گیرد، شبکه هایی چون اپینینز، اسلش دات و ویکی پدیا قرار دارد که نوع رابطه نیز از اهمیت بالایی برخوردار است. در چنین شبکه هایی مسئله تشخیص ماهیت روابط پنهان، پرسش جدیدی است که در کنار سایر مسائل قابل بررسی می باشد. از شاخص ترین کارهایی که در پیش بینی علامت پیوند ها صورت گرفته، رویکرد مبتنی بر دسته بندی مدیریت شده بر اساس نظریه های اجتماعی تعادل و وضعیت است که با بهره گیری از ساختارهای ارائه شده توسط این دو نظریه اجتماعی و با استفاده از روش های آماری سعی در پیش بینی نوع روابط دارد. این روش ها ضمن نتایج مطلوبی که ارائه می دهند، به دلیل نادیده گرفتن بخش مهمی از ساختار های موجود در شبکه ها و به خاطر وابستگی به روش های یادگیری ماشین، کارایی بالایی ندارند. در این نوشتار پس از مروری بر مفاهیم مقدماتی شبکه های اجتماعی و روش های مورد استفاده در پیش بینی پیوند و نیز علامتش، روش جدیدی برای پیش بینی علامت پیوندها ارائه می دهیم. در این روش از ساختار های سه گانه جهت دار برای استخراج ساختار کلی شبکه استفاده کرده و سپس با محاسبه ضرایب شگفتی هر کدام از ساختار های سه گانه در شبکه، میزان تأثیر آن ها را در گرایش علامت پیوندها به مثبت یا منفی می سنجیم و از این ابزار برای پیش بینی علامت پیوندها استفاده می کنیم. در نهایت پس از انجام آزمایش بر روی شبکه های مختلف نشان می دهیم که این شیوه می تواند علامت پیوند ها را با دقت بالا و پیچیدگی زمانی بهتری پیش بینی کند.

تشخیص سرطان، از جمله موارد چالش برانگیزی است که در دهه ی اخیر توجه زیادی را به خود جلب کرده است. با توجه به مشکلات ساخت یک مدل طبقه بندی دقیق، روش های مختلف پردازش و آنالیز تصاویر پزشکی از جمله روش های استخراج ویژگی به همراه روش های یادگیری ماشین از قبیل شبکه های عصبی مصنوعی مورد بررسی و تحقیق بسیاری از پژوهشگران قرار گرفته است. ویژگی به عنوان مشخصه ای از تصویر، می تواند شامل ویژگی خاصی از تصویر یا ویژگی عمومی از آن همانند رنگ، شکل و بافت باشد. الگوریتم های مختلفی برای استخراج ویژگی وجود دارد که از آن جمله می توان به روش های ساختاری، آماری و مبتنی بر تبدیل اشاره کرد. در این مطالعه، تمرکز بر روی روش های آماری و محاسبه ماتریس های هم رخدادی تعمیم یافته برای تصاویر رنگی است. واضح است که استخراج حداکثر اطلاعات از تصاویر بدست آمده از بافت های سالم و ناسالم، از اهمیت بالایی برخوردار است. اطلاعات استخراج شده از انواع تصاویر بافت های بیولوژیکی، برای طبقه بندی توسط روش های یادگیری ماشین مورد استفاده قرار می گیرند. نقشه های خودسازمانده با توجه به توانایی بالا جهت طبقه بندی تصاویر در این پژوهش مورد بررسی قرار گرفته است. نتایج به دست آمده حاکی از آن است که روش ماتریس هم رخدادی تعمیم یافته برای استخراج ویژگی از تصاویر رنگی و روش های یادگیری نقشه های خودسازمانده نظارتی جهت طبقه بندی انواع بدخیمی ها کارا هستند. برای به دست آوردن کارایی مدل، از روش اعتبارسنجی متقاطع استفاده شده است. یکی از مجموعه داده های مورد بررسی در این مطالعه، تصاویر بافت های بیولوژیکی غدد لنفاوی است که شامل 374 تصویر رنگی با ابعاد ????×1040 پیکسل، نشان دهنده سه نوع بافت مربوط به غده سرطانی بافت های لنفاوی در بدن است. بهترین نتیجه برای این مجموعه داده برای ترکیب مولفه های رنگی rg برابر با ?/ 92 درصد حاصل شده است. مجموعه داده دیگر، ?? نمونه از تصاویر لکه های خونی با ابعاد ???×??? پیکسل، شامل ?? شخص بیمار مبتلا به تالاسمی و ?? شخص سالم است که توسط گروهی در دانشکده بیوفیزیک دانشگاه تحصیلات تکمیلی زنجان جمع آوری شده است. همچنین اطلاعاتی از پارامترهای خونی ?? نمونه اندازه گیری شده است و علاوه بر طبقه بندی نمونه ها بر اساس بافت های سالم و ناسالم که بهترین نتیجه برای ترکیب مولفه های rg برابر با ?/92 درصد حاصل شده، طبقه بندی بر اساس میزان پارامترهای خونی همانند hgb نیز انجام شده و نتایج خوبی حاصل شده است.

تجزیه، تحلیل و طبقه بندی داده های میکروآرایه یکی از موضوعات چالش برانگیز در حیطه بیوانفورماتیک است. از مهم ترین ویژگی های داده های میکروآرایه، ابعاد بسیار بالا (تعداد ژن های زیاد) در برابر تعداد کم نمونه ها می باشد. این عامل، باعث بروز مشکلات و چالش هایی در زمینه تحلیل این نوع داده ها شده است. بنابراین از روش های انتخاب ویژگی و کاهش ابعاد داده ها جهت حل این مشکلات و ارائه مدلی ساده تر و دقیق تر استفاده می شود. در این پژوهش، روشی برای یافتن ژن های حاوی اطلاعات و همچنین طبقه بندی داده های میکروآرایه ارائه گردیده است. روش پیشنهادی از سه بخش اصلی تشکیل شده است. در بخش اول، ابعاد داده ها با استفاده از شبکه عصبی som غیر نظارتی کاهش یافته و به فضایی شامل نورون ها نگاشت می شود. در بخش دوم، به وسیله الگوریتم ژنتیک، زیرمجموعه های بهینه حاوی نورون ها استخراج شده و نورون ها رتبه بندی می گردند. در آخرین بخش، ژن های حاوی اطلاعات با ارزش انتخاب می گردند. در این روش به علت استفاده از شبکه عصبی som ، ژن های خلاصه سازی شده برای انتخاب ویژگی استفاده می شوند که همین امر باعث کاهش زمان محاسباتی انتخاب ویژگی نسبت به روش هایی است که خلاصه سازی در آن ها صورت نمی گیرد. همچنین به علت عدم استفاده از روش های آماری (آزمون (t جهت رتبه بندی مجزای ویژگی ها، تمامی ژن ها یا نمایندگان آن ها در مراحل انتخاب ویژگی و ساخت مدل شرکت دارند. روش پیشنهادی بر روی یکی از مجموعه داده های پرچالش که مربوط به میکروآرایه سرطان سینه است، جهت طبقه بندی نمونه ها و انتخاب ویژگی (ژن ها) بر اساس دو نوع تومور لومینال و غیرلومینال به کار گرفته شد و توانست میانگین صحت طبقه بندی مدل ها را در اعتبارسنجی متقاطع ?? تایی، نسبت به روش های پیشنهادی قبلی بر روی همین داده ها از ?? درصد به ?? درصد برساند. علاوه بر این، ژ ن های انتخاب شده به عنوان ژن های حاوی اطلاعات با ارزش، از لحاظ عملکردهای زیستی، از عوامل موثر در تمایز دو نوع سرطان لومینال و غیرلومینال می باشند که همین امر، قدرت روش پیشنهادی را در بهبود مدل های طبقه بندی و انتخاب ویژگی های موثر هرچه بیشتر بیان می نماید.

بهینه سازی کارهای مستقل در سطح بالا به حل مسئله برنامه ریزی حرکت برای یک ربات سیار نیاز دارد. برای مثال، یک ماشین مستقل برای سروقت رسیدن به مقصد مورد نظر خود، باید به سرعت در خیابان ها حرکت کند و از برخورد با موانع مانند ساختمان یا اتومبیل های دیگر اجتناب کند و همچنین ایمنی را برای عبور و مرور حفظ کند. در این پایان نامه ابتدا، الگوریتم های تقریبی برای برنامه ریزی حرکت بهینه ی ربات در محیط های ایستا را مطالعه می کنیم. در این الگوریتم ها، تابع هزینه-به-رفتن که به عنوان کمترین هزینه برای رسیدن از نقطه ی جاری در فضا به هدف تعریف شده است، مقداردهی می شود. هنگامی که این تابع محاسبه شد، مسیر بهینه در جهت شدیدترین کاهش شیب این تابع بدست می آید. سهم اصلی ما از این پایان نامه، رویکردی مبتنی بر تجزیه و تحلیل نحوه ی دوباره مقداردهی تابع هزینه-به-رفتن است وقتی که تغییر در محیط شناسایی می شود. ما نشان می دهیم که در بسیاری از موارد، زمانی که محیط تغییر می کند تنها یک دامنه ی کوچک از تابع هزینه-به-رفتن نیاز است که دوباره محاسبه شود.

در این پایان نامه، بازی ورونوی در یک شبکه مستطیلی (g(m,n را مطالعه خواهیم کرد. در این بازی، دو بازیکن مهره های خود (هر کدام k تا) را در یک دور در یک شبکه قرار خواهند داد. مساحت شبکه بر اساس قاعده نزدیک ترین همسایه با متر منهتن میان دو بازیکن(سفید و سیاه) تقسیم می شود. نشان خواهیم داد که در یک شبکه یک بعدی ، (g(1,n، بازیکن سفید به عنوان بازیکن اول، دارای استراتژی برد است. اگر n به 2k بخش پذیر نباشد، استراتژی ارائه شده، برد با اختلاف حداقل یک را برای بازیکن سفید تضمین خواهد کرد. در ادامه بهینگی استراتژی ارائه شده برای این بازیکن را نشان خواهیم داد. سپس بازی را در یک شبکه دو بعدی، (g(m,n، که در آن m>1 مطالعه خواهیم نمود. در این حالت، بازیکن سیاه قادر است بازیکن سفید را در بعضی از حالات شکست دهد. بنابراین، خصوصیاتی را برای یک شبکه با عرض فرد(m فرد) ارائه خواهیم نمود که به ازای آن، بازیکن سفید برنده بازی باشد. علاوه بر این، کران پایینی برای طول شبکه ارائه خواهیم کرد که به ازای هر طول بیشتر از این کران، بازیکن سفید بتواند بازی را با حداقل اختلاف m، عرض شبکه، ببرد. در حالتی که عرض شبکه زوج باشد، بازیکن سفید نمی تواند برنده بازی باشد (در بهترین حالت می تواند مساوی را کسب نماید).