بهینه سازی توابعی از دسته مسائل np-hard، در سال های اخیر بسیار مورد توجه قرار گرفته است. بسیاری از مسائل بهینه سازی در مهندسی، پیچیده تر از آن هستند که با روش های مرسوم بهینه سازی نظیر روش های تحلیل ریاضی قابل حل باشند. بنابراین برای اینکه بتوان در فضای پیچیده اینگونه توابع، بهینه سراسری را یافت، بایستی از روش های ترکیبی یا فرامکاشفه ای استفاده کرد. در این پایان نامه دو روش بهینه سازی جدید ارائه می شود، بطوری که در روش laga، پارامتر های الگوریتم ژنتیک و در روش lakh، پارامتر های الگوریتم بهینه سازی گروه میگوها توسط اتوماتای یادگیر، به صورت بهینه تنظیم خواهد شد. ترکیب این روش ها که از الگوریتم های محاسبات نرم به شمار می روند، به روش هایی کارا برای حل مسائلی نظیر بهینه سازی تابع آزمون griewank، در شرایطی که تعداد ابعاد تابع بسیار بالا است، می انجامد. بدلیل اینکه پارامترهای الگوریتم ژنتیک و الگوریتم بهینه سازی گروه میگوها به دقت توسط اتوماتای یادگیر تنظیم می شوند، نسبت به زمانی که از روش های دیگر بهینه سازی استفاده می کنیم، به جواب بسیار بهتری دست پیدا می کنیم. برتری این دو روش ترکیبی، نسبت به سایر روش ها این است که از کارایی بالای اتوماتای یادگیر در محیط های تصادفی و ناشناخته و همچنین قابلیت بالای الگوریتم ژنتیک و الگوریتم بهینه سازی گروه میگوها در حل مسائل بهینه سازی، بهره می برد. نتیجه آزمایشات نشان می دهند که روش laga بهینه سراسری تابع griewank را در 100 بعد و روش lakh بهینه سراسری این تابع را در 200 بعد به طور دقیق می یابد. این در حالی است که سایر روش های بررسی شده در این پروژه، حداکثر در 20 یا 40 بعد، به صورت تقریبی موفق به بهینه سازی این تابع شده اند. روش های بهینه سازی ارائه شده در این پروژه، برای مسائل بهینه سازی تک هدفه و با محدودیت طراحی شده اند. در ضمن تابع هدف باید یک تابع ثابت باشد. برای تعمیم این روش ها به بهینه ساز توابع چند هدفه یا توابع بدون محدودیت و یا توابع پویا، با تغییراتی در اتوماتای یادگیر روش های پیشنهادی، می توان بهینه سازی را انجام داد.

همراه با پیشرفت در فن آوری اطلاعات و کانال های ارتباطی، تقلب در سراسر جهان در حال گسترش است که منجر به ضرر و زیان مالی عظیمی می شود. موسسات مالی و پولی به شدت به دنبال راهکار هایی سریع برای شناخت فعالیت های کلاه برداران و متخلفان می باشند. این امر به دلیل اثر مستقیم آن روی خدمت رسانی به مشتریان این موسسات، کاهش هزینه های عملیاتی و باقی ماندن به عنوان یک ارائه دهنده خدمات مالی معتبر و قابل اطمینان است؛ بنابراین تشخیص تقلب از ابزار ضروری است و احتمالاً بهترین راه برای جلوگیری از این نوع تقلب است. از طرفی با رونق و گسترش بانکداری الکترونیک و پرداخت الکترونیک، کلاه برداری در کارت اعتباری نیز در حال گسترش است؛ بانک ها و سازمان های صدور کارت های اعتباری تلاش می کنند با استفاده از تمهیدات امنیتی، حتی الامکان از سوءاستفاده از حساب های مشتریان جلوگیری کنند. با این حال گسترش روش های خرید و پرداخت اینترنتی و تلفنی، وجود پایگاه های ارائه دهنده نرم افزارهای مخرب نظیر کشف رمز، پایگاه های فروش اطلاعات کاربران و گاهی عدم دقت کافی از طرف مشتریان در نگهداری اطلاعات حساب، هنوز هم راه های تقلب را باز گذاشته است؛ بنابراین علاوه بر اقدامات پیشگیرانه، لزوم استفاده از روش های کشف و جلوگیری از وقوع تقلب قبل از ثبت تراکنش واضح است. بدین منظور در این پایان نامه کشف تقلب کارت های اعتباری هدف قرار داده شده است. در دهه گذشته با رشد داده کاوی، محققان الگوریتم های متنوعی که اغلب ماهیت دسته بندی را دارا هستند برای تشخیص کلاه برداری بکار بردند. بسیاری از این روش ها بر افزایش نرخ تشخیص کلاه برداری تمرکز دارند، درعین حال با افزایش نرخ تشخیص تعداد اشتباه افزایش می یابد. از جمله راه کارهای کاهش خطا به کارگیری منطق فازی است. بر این اساس، در این پایان نامه یک روش مبتنی بر الگوریتم ممتیک برای استخراج قوانین فازی به منظور تشخیص کلاه برداری کارت اعتباری ارائه شده است. الگوریتم پیشنهادی در سه مرحله عمل می کند. در مرحله اول با استفاده از الگوریتم ممتیک مجموعه ای از قوانین فازی که بیانگر الگوی حاکم بر داده های آموزشی است استخراج خواهد شد. در مرحله دوم الگوریتم بهینه سازی میگوها هماهنگ سازی قوانین را انجام می دهد و در نهایت در مرحله سوم با استفاده از یک موتور استنتاج فازی نمونه های آزمون دسته بندی می شود. نتایج ارزیابی روی مجموعه داده های واقعی نشان می دهد که روش پیشنهادی توانسته است مصالحه ای قابل قبول بین هشدارهای اشتباه و نرخ تشخیص کلاه برداری برقرار کند.

سرطان ریه از جمله سرطان های شایع است که دیرآگاهی از آن سبب فوت می شود و اگر بتوان بقای این سرطان را پیش بینی کرد، می توان جان افراد زیادی را نجات داد. هدف از این مطالعه کشف ارتباطات و الگوها با استفاده از داده های بالینی در داده کاوی می باشد که می تواند به دانش جدیدی در پزشکی بیانجامد و در پیش بینی بقای بیماران مبتلا به سرطان ریه مورد استفاده قرار بگیرد. برای عملی کردن این پروژه از داده های پزشکی که در ارتباط با این بیماری توسط سایت seer طی سال ها جمع آوری شده است، استفاده می کنیم. ویژگی ها با استفاده از سه الگوریتم داده کاوی درخت تصمیم، شبکه ی بیزیان و شبکه های عصبی مورد بررسی قرار می گیرند و میزان تأثیر هر ویژگی در پیش آگهی بقای بیماران سرطان ریه مورد مطالعه قرار می گیرد.