جوامع امروزی وابستگی بسیار زیادی به سیستم های کامپیوتری دارند و روز به روز سیستم های کامپیوتری مطمئن در جایگاه های تصمیم گیری مهم تری قرار می گیرند. در نتیجه، تقاضای بسیار زیادی برای الگوریتم های تصمیم گیری کارا و موثر وجود دارد. در گذشته نه چندان دور، بینایی ماشین امری غیر ممکن به نظر می رسید. اما امروزه با رشد فزاینده ی قدرت پردازش رایانه ها، دستیابی به آن امری بدیهی است. یکی از چالش های اصلی در این حوزه توسعه و بهبود روش های بینایی به گونه ای است که بتوانند توانایی برابر یا حتی بیشتر از توانایی انسان داشته باشند. از حوزه های بسیار مهم در بینایی ماشین می توان به بازشناسی الگو اشاره کرد. بازشناسی الگو شاخه علمی مرتبط با روش هایی برای توصیف و طبقه بندی اشیاء است. کاربرد سیستم های بازشناسی الگو وسیع و فعالیت های مختلفی را شامل می شود. از جمله آن ها می توان به پیش بینی تغییرات سهام، بازشناسی کاراکترها، بازشناسی گفتار، سیستم های هدایت خودکار، تحلیل نوار قلب و مغز، تحلیل تصویرهای پزشکی، تشخیص بیماری ها، هویت شناسی اثر انگشت و ... نام برد. از طرف دیگر، محاسبه ی تکاملی که شاخه ای از هوش محاسباتی به شمار می رود دربردارنده ی جمعیتی است که در آن هر فرد از این جمعیت، جوابی بالقوه در دامنه ی مسئله است. این جمعیت توسط تعدادی تابع تناسب که توسط کاربر تعریف می شود، تحت یک توالی تکراری تا زمانی که به نقطه همگرایی برسد، تصحیح می شود. در سال های اخیر، محاسبهی تکاملی به صورت گستره ای برای حل موثر مسائل غیرخطی و بسیار پیچیده مورد استفاده قرار گرفته است. در این مطالعه سعی بر آن است تا از این روش ها در بازشناسی الگو استفاده شود. روش های محاسبه ی تکاملی بسیار زیادی می تواند در این خصوص مورد استفاده قرار گیرد. اما هدف از این تحقیق کاربرد و توسعه روش «بهینه سازی گروه ذرات » (pso) در بازشناسی الگو است. بدین منظور مطالعه از معرفی حوزه های مهم بازشناسی الگو از قبیل طبقه بندی و خوشه بندی شروع و پس از معرفی محبوب ترین روش های هر کدام به استفاده از pso به عنوان یک الگوریتم فرااکتشافی در بهینه سازی این روش ها می پردازد. نتایج تجربی اشاره شده در فصل آخر این مطالعه نشان می دهد که این الگوریتم به خوبی می تواند به عنوان یک ابزار قدرتمند در بهبود توانایی روش های بازشناسی الگو مورد استفاده قرار گیرد.

مسئله بهینه سازی پرتفلیو یکی از پیچیده ترین مسائل حوزه مالی و سرمایه گذاری و از زمینه های اصلی تحقیقاتی در مدیریت ریسک مدرن می باشد. مارکویتز (1952) بنیانگذار ساختاری مشهور به تئوری پرتفلیو می باشد. طی دهه¬های اخیر، روشهای متعددی جهت برطرف نمودن ایرادات تئوری مارکویتز و ارتقای مدل انتخاب پرتفلیو ارائه شده است. به دلیل وجود عوامل شامل عدم قطعیت فراوان در محیط سرمایه گذاری، نتایج حاصل از انتخاب سبد سهام بر اساس روشهای کلاسیک قابل قبول و کاربردی نخواهد بود. بطورکلی محیط سرمایه¬گذاری و عوامل موثر در این محیط شامل عدم قطعیت بالاست و از آنجا که تئوری مجموعه¬های فازی جهت بیان ریاضی پدیده¬های غیر دقیق، ناواضح و مبهم مناسب است، در این پژوهش سعی بر این است که برای توصیف واقعی¬تر و حل دقیق¬تر مسئله انتخاب سبدسهام از توصیف فازی استفاده گردد. این پژوهش در مورد مسئله بهینه سازی سبد سهام فازی که در آن بازده دارایی ها توسط داده های فازی نشان داده شده است، بحث می کند. به عبارت دیگر در این مطالعه، از مدل تابع ریسک میانگین- انحراف- مطلق و اصل تئوری فازی" زاده" و روش برنامه ریزی خطی فازی برای مسئله بهینه سازی پرتفلیوی های فازی که درآن نرخ های بازده و ریسک بر اساس اعداد فازی بیان شده است استفاده می شود. از آنجا که پارامترهای اعداد فازی هستند، افزایش بازده نیز عدد فازی می باشد. به منظور نشان دادن کارایی مدل به طور واضح تر، یک مثال عددی بر اساس داده های تاریخی سهام شرکت های سرمایه گذاری پذیرفته شده در بورس اوراق بهادار تهران و در بازه دوره زمانی 3 ساله در نظر گرفته شده است.