طاهر شهبازی میرزا حسنلو - قطب علمی کنترل و پردازش هوشمند، دانشکده مهندسی برق و کامپیوتر، دانشگ
بابک نجار اعرابی - قطب علمی کنترل و پردازش هوشمند، دانشکده مهندسی برق و کامپیوتر، دانشگ
مجید نیلی احمدآبادی - قطب علمی کنترل و پردازش هوشمند، دانشکده مهندسی برق و کامپیوتر، دانشگ
کارو لوکس - قطب علمی کنترل و پردازش هوشمند، دانشکده مهندسی برق و کامپیوتر، دانشگ

مدلسازی و تعیین اطمینان سنسوری یکی از مباحث مهم و اساسی در ترکیب اطلاعات میباشد. یادگیری ضرایب و پارامترهای مدل نایقینی برای قابلیت اطمینان، برای یک شبکه سنسوری گسترده، هنگامی که تعداد سنسورها زیاد باشد، یک مسئله بهینه سازی غیرخطی پیچیدهای خواهد بود. استفاده از مدلهای منعطف تر مثل مدل توابع اعتماد و تعیین تابع هدف بر اساس ملاکهای دقیقتر باعث افزایش دقت پاسخ های به دست آمده شده، اما پیچیدگی مسئله را نیز افزایش میدهد. الگوریتمهای تکاملی به عنوان ابزارهایی قدرتمند برای حل مسائل بهینه سازی غیرخطی شناخته میشوند. واقعیتهای فوق در مورد مساله یادگیری قابلیت اطمینان سنسوری، استفاده از الگوریتمهای تکاملی بدین منظور را انتخاب مناسبی به نظر میرساند. الگوریتم PBIL به عنوان یکی از روشهای نسبتا جدید در الگوریتمهای تکاملی، در بسیاری از مسائل بهینه سازی بهتر از سایر روشهای تکاملی سنتی مانند الگوریتمهای ژنتیک عمل میکند. در این مقاله یک توسعه ازPBIL به فضاهای پیوسته، برای مسئله بهینه سازی مقید در یادگیری قابلیت اطمینان سنسوری ارائه گردیده است. این الگوریتم تکاملی برای مسئله مذکور به منظور ترکیب تصمیم بر اساس تابع مطلوبیت به کار برده شده و کارایی روش توسط داده های مصنوعی تست میشود. روش ارائه شده کلی بوده و برای دامنه وسیعی از کاربردهای مرتبط میتواند اعمال شود.

الگوریتم PBIL ، ترکیب اطلاعات، نظریه شواهد دمپستر - شافر