بهینه سازی چندهدفه الگوریتم های یادگیری ماشین برای کاهش هزینه هایمحاسباتی و بهبود عملکرد در هوش مصنوعی تطبیقی

سال انتشار: 1403
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 324

فایل این مقاله در 6 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

ICIRES19_020

تاریخ نمایه سازی: 4 دی 1403

چکیده مقاله:

در این پژوهش، بهینه سازی چندهدفه الگوریتم های یادگیری ماشین به منظور کاهش هزینه های محاسباتی و بهبود عملکرد در سیستم های هوش مصنوعی تطبیقی بررسی شده است. با توجه به رشد روزافزون داده ها و پیچیدگی مدل ها، کاهش هزینه های محاسباتی به عنوان یکی از مهم ترین چالش ها در حوزه هوش مصنوعی مطرح شده است. در این راستا، روش های بهینه سازی چندهدفه امکان تطبیق بهتر میان اهداف متضاد مانند دقت و کارایی را فراهم می آورند. در این تحقیق، از الگوریتم های پیشرفته مبتنی بر بهینه سازی چندهدفه، مانند الگوریتم های ژنتیک و ازدحام ذرات، برای تنظیم ابر پارامترهای مدل های یادگیری ماشین استفاده شده است. نتایج تجربی نشان می دهد که روش پیشنهادی، به طور موثری هزینه های محاسباتی را کاهش داده و در عین حال، عملکرد مدل ها را در محیط های پیچیده بهبود می بخشد. این دستاوردها می توانند به کاربردهای گسترده تر هوش مصنوعی تطبیقی، مانند سیستم های توصیه گر و تحلیل داده های بزرگ، کمک شایانی کنند.

کلیدواژه ها:

نویسندگان

ابوالحسن نصرتی

کارشناسی ارشد دانشگاه سیستان و بلوچستان