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

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:

بهبود عملکرد ، بهینه سازی چندهدفه ، کاهش هزینه های محاسباتی ، یادگیری ماشین ، هوش مصنوعی تطبیقی