. .
تحقیقات مقالات آموزشی کنفرانس ها درباره ما  
.: پردازش تصویر .: پردازش سیگنال .: هوش محاسباتی .: هوش مصنوعی
 
.: هوش مصنوعی کلاسیک
>> مقدمه
>> انواع روش های جستجو
>> جستجوی عمقی
>> جستجوی عمقی محدود شده
>> جستجوی سطحی
>> جستجوی عمقی تکرار شونده
>> جستجوی هزینه یکنواخت
>> جستجوی حریصانه
>> جستجوی *A
   
.: الگوریتم های متاهیوریستیک
>> مقدمه
>> الگوریتم تپه نوردی
>> الگوریتم تپه نوردی تعمیم یافته
>> الگوریتم پرتو محلی
>> الگوریتم ذوب فلزات
>> الگوریتم TA
   
.: برنامه های نمونه
>> روش های جستجو
>> کوتاهترین مسیر با روش *A
>> مربع هشت
>> درخت پوشای مینیمم
>> کوتاهترین مسیر فلوید
>> مساله چیدمان دینامیک
>> نقطه مرکزی
 
 الگوریتم Threhsold Acceptance
قبل از شرح این روش جستجو پیشنهاد می کنیم در صورتی که با الگوریتم SA آشنایی ندارید، ابتدا مقاله مربوط به این روش جستجو را مطالعه کنید. روش TA نیز همانند روش SA می باشد و تنها تفاوت آن در نحوه قبول کردن جواب های غیر بهینه است. شبه کد زیر نحوه اجرای الگوریتم TA را نشان می دهد:
Procedure Threhsold Acceptance
  C = Choose an initial solution
  T = Choose a positive initial threshold
  REPEAT
    S' = Generate a neighbor of the solution C
    ΔE = objective( S' ) – objective( C )
    IF (ΔE > -T ) THEN // S' better than C
      C = S'
    END IF
    T = lower the T using linear/ non-linear techniques
  UNTIL meet the stop criteria 
End

الگوریتم TA جواب هایی را می پذیرد که از جواب قبلی خیلی بدتر نیستند. همانند کاری که دما در اگوریتم SA انجام می دهد. همانطور که در روش SA بررسی کردیم، دما در این الگوریتم باید به گونه ای انتخاب شود که بیشتر جواب های غیربهینه در ابتدا توسط الگوریتم پذیرفته شوند. این اصل در مورد روش TA نیز صادق است و در این روش نیز مقدار آستانه ( T ) باید به نحوه انتخاب گردد که بیشتر جواب های غیربهینه در ابتدا توسط الگوریتم مورد پذیرش واقع شوند.






 

Valid CSS!  کلیه مطالب وب سایت با رعایت قوانین  GNU Free Documentation License قابل دسترس می باشند  | 1388- 1385 © AISRG
Valid XHTML 1.0 Transitional