Memetic Computing

ISI

آخرین بروز رسانی مارس ۲۰۲۳

Scopus

آخرین بروز رسانی فوریه ۲۰۲۲

این مجله در فهرست مجلات Scopus قرار دارد و با نام Memetic Computing ثبت شده است. بر اساس تقسیم بندی این بنیاد مقالات چاپ شده در این مجله در رشته های تخصصی زیر قرار دارند:

SCImago

آخرین بروز رسانی ژانویه ۲۰۲۰

بر اساس دسته بندی این بنیاد این مجله در دسته Q1 قرار دارد

رشته تخصصی و رتبه مجله در آن رشته:

اهداف مجله

میم ها به عنوان واحدهای اساسی اطلاعات قابل انتقال تعریف شده اند که در مغز قرار دارند و از طریق فرآیند تقلید در بین جمعیت ها منتشر می شوند. از دیدگاه الگوریتمی، میم ها به عنوان بلوک های سازنده دانش قبلی در نظر گرفته می شوند که در نمایش های محاسباتی دلخواه بیان شده اند (مانند اکتشافی های جستجوی محلی، قوانین فازی، مدل های عصبی، و غیره)، که از طریق تجربه به دست آمده اند. یک انسان یا ماشین، و می توان آن را تقلید کرد (یعنی استفاده مجدد) در مشکلات.

مجله Memetic Computing از مقالاتی استقبال می‌کند که مفهوم اجتماعی-فرهنگی فوق‌الذکر از میم‌ها را در سیستم‌های مصنوعی با تأکید ویژه بر افزایش کارایی تکنیک‌های محاسباتی و هوش مصنوعی برای جستجو، بهینه‌سازی، و یادگیری ماشین از طریق ادغام صریح دانش قبلی، ادغام می‌کند. بنابراین هدف این مجله خروجی برای تحقیقات نظری و کاربردی با کیفیت بالا در مورد رویکردهای محاسباتی ترکیبی و دانش محور است که ممکن است تحت هر یک از دسته بندی های زیر مشخص شوند:


نوع 1: الگوریتم‌های همه‌منظوره ادغام شده با اکتشافی‌های ساخته‌شده توسط انسان که شکلی از دانش حوزه قبلی را دریافت می‌کنند. به عنوان مثال، الگوریتم‌های ممتیک سنتی که جستجوی جهانی تکاملی را با یک جستجوی محلی ویژه مشکل ترکیب می‌کنند. این مجله از تحقیقات در مورد روش های مختلف انتقال میم استقبال می کند. نمایش ممتیک ها در زمینه تکامل عصبی عمیق، هم افزایی جستجوی تکاملی معماری های عصبی با یادگیری مادام العمر وظایف خاص یا مجموعه ای از وظایف، مورد توجه قابل توجهی هستند.
نوع 2: الگوریتم‌هایی با قابلیت انتخاب خودکار، تطبیق و استفاده مجدد از مناسب‌ترین اکتشافات از مجموعه متنوعی از انتخاب‌های موجود. به عنوان مثال، یادگیری یک نقشه بین اپراتورهای جستجوی جهانی و چندین طرح جستجوی محلی، با توجه به یک مشکل بهینه سازی در دست.
نوع 3: الگوریتم‌هایی که به‌طور مستقل با تجربه یاد می‌گیرند، با استفاده مجدد تطبیقی ​​از داده‌ها و/یا مدل‌های یادگیری ماشین برگرفته از مسائل مرتبط به عنوان دانش قبلی در وظایف هدف جدید مورد علاقه. مثال‌ها شامل، اما محدود به آن نمی‌شوند، انتقال یادگیری و بهینه‌سازی، یادگیری و بهینه‌سازی چند وظیفه‌ای، یا هر روش کسب درآمد و بهینه‌سازی تکاملی چند-X هستند.


نویسندگان بالقوه تشویق می‌شوند مقالات پژوهشی اصلی، از جمله بررسی‌ها و ارتباطات کوتاه، گسترش دامنه مفهومی ممتیک‌ها (به عنوان مثال، تا نوع X و فراتر از آن) و/یا ارتقای پیشرفته‌ترین الگوریتمی ارسال کنند. مقالاتی که کاربردهای جدید دنیای واقعی ممتیک ها را در زمینه هایی از جمله، اما نه محدود به، محاسبات تکاملی چندگانه X، تکامل عصبی، شناخت تجسم یافته و هوش عوامل مستقل، بهینه سازی پیوسته و گسسته، یادگیری ماشین هدایت شده با دانش، مشکلات جستجوی محاسباتی گران، گزارش می دهند. برای انتشار در نظر گرفته می شود. همه موارد ارسالی باید شامل یک "یادداشت به پزشکان" کوتاه (حداکثر 300 کلمه) باشد که به طور مختصر نوع ترکیب دانش قبلی پیشنهاد شده در مقاله را توصیف کند.