عنوان	طراحی کارآمد شبکه‌های عصبی کانولوشن مبتنی بر الگوریتم ژنتیک با استفاده از معیارهای نوین انتخاب فیلتر
نوع پژوهش	پایان نامه های تقاضا محور و غیر تقاضا محور
کلیدواژه‌ها	بهینه‌سازی بساهدفه، شبکه‌های عصبی کانولوشنی، الگوریتم ژنتیک، انتخاب فیلتر، دقت بر حسب تعداد پارامتر (APC)، یادگیری عمیق، پردازش موازی
چکیده	شبکه‌های عصبی کانولوشنی (CNNs) طی سال‌های اخیر نقش بی‌بدیلی در پیشرفت‌های حوزه یادگیری عمیق و بینایی ماشین ایفا کرده‌اند. با این حال، طراحی و بهینه‌سازی ساختار و پارامترهای این شبکه‌ها همچنان یک چالش اساسی محسوب می‌شود، زیرا فرآیند طراحی غالباً بر پایه آزمون‌وخطا است و منجر به مصرف زمان و منابع محاسباتی قابل توجه می‌گردد. در این پژوهش، رویکردی جدید مبتنی بر الگوریتم ژنتیک برای طراحی و بهینه‌سازی شبکه‌های کانولوشنی ارائه شده است که هدف آن افزایش دقت طبقه‌بندی در کنار کاهش پیچیدگی محاسباتی و تعداد پارامترها می‌باشد. نوآوری اصلی این روش، تعریف سه معیار جدید برای مقایسه و انتخاب فیلترها در لایه‌های کانولوشنی است: شاخص علامت (S_index) که الگوی علامت ضرایب فیلتر را به‌عنوان شاخصی از عملکرد عمومی آن در نظر می‌گیرد، شاخص فاصله (D_index) که به‌عنوان معیاری مکمل برای فیلترهای دارای S_index مشابه به‌کار می‌رود، و عنصر قالب (Template Element) که به منظور حفظ توزیع و ساختار شبکه والد در شبکه‌های فرزند استفاده می‌شود. با ترکیب این معیارها در مراحل انتخاب، ترکیب (Crossover) و جهش (Mutation)، نسل‌های جدیدی از شبکه‌ها تولید شده و شبکه نهایی با بالاترین برازش به‌عنوان خروجی انتخاب می‌شود. روش پیشنهادی بر روی پایگاه داده‌های استاندارد CIFAR-10 و CIFAR-100 ارزیابی گردید. نتایج آزمایش‌ها نشان داد که الگوریتم پیشنهادی با استفاده از معماری پایه ResNet-32 توانست بهبود قابل توجهی نسبت به شبکه‌های هم‌تراز داشته باشد. به‌طور خاص، شبکه پیشنهادی (Proposed ResNet-32) با حفظ تعداد پارامترها، دقتی معادل 94.51% در CIFAR-10 و 74.51% در CIFAR-100 به دست آورد که از بسیاری از مدل‌های مرجع دقیق‌تر بوده و نسبت به مدل‌های پیچیده‌تر مانند ResNet-110 و DenseNet-BC، کارایی بسیار بالاتری در معیار دقت بر حسب تعداد پارامتر (APC) نشان داد. علاوه بر این، اجرای موازی الگوریتم بر روی کلاستر 11 گره‌ای موجب کاهش 84.6% در زمان اجرا گردید. این نتایج بیانگر آن است که روش پیشنهادی نه تنها از نظر دقت رقابتی عمل می‌کند، بلکه از نظر بهره‌وری محاسباتی نیز برتر است و بنابراین می‌تواند در کاربردهای عملی همچون پردازش تصویر بلادرنگ، سیستم‌های نهفته، دستگاه‌های موبایل و محیط‌های محدود از نظر منابع مورد استفاده قرار گیرد.
پژوهشگران	سیف اله سلیمانی (استاد راهنما)، مریم مومنی (استاد راهنما)، محمد حسین شکور (استاد مشاور)، میثم عسکری (دانشجو)