چارچوب کلی و رهنمودهایی برای الگوبرداری از الگوریتم های هوش محاسباتی به کار گرفته‌شده برای پیش‌بینی مشکلات ناشی از یک نظرسنجی دامنه محور کاربردی

تعیین معیار الگوریتم های هوش محاسباتی دانش با ارزشی را برای انتخاب بهترین یا حداقل الگوریتم مناسب برای یک مساله خاص فراهم می‌کند. نتایج تجربی کاربردهای تکنیک‌های هوش محاسباتی در حوزه‌های مختلف و همچنین مطالعات مقایسه‌ای گزارش‌شده در مقالات را می توان به عنوان استراتژی‌های توسعه برای کاربردهای موفق جدید الگوریتم‌های CI تحلیل و ترکیب کرد. با شروع از یک بررسی دامنه محور کاربردی از کار تحقیقاتی انتخاب‌شده که اخیرا گزارش شده‌است، این مقاله یک چارچوب الگوبرداری کلی قابل کاربرد برای الگوریتم های هوش محاسباتی و مجموعه‌ای از دستورالعمل‌ها برای انتخاب بهترین یا مناسب‌ترین الگوریتم CI برای حل مشکلات پیش‌بینی ارائه می‌دهد. رویکرد ما تلفیق نرم‌افزار و بهترین عملکرد مهندسی دانش را نسبت به الگوبرداری CI ارائه می‌دهد که یک روش مهندسی هوش محاسباتی است. این چارچوب از دو پایگاه دانش استفاده می‌کند، یکی برای حوزه کاربرد و دیگری برای الگوریتم های CI، ارائه دانش اکتشافی برای الگوبرداری آگاهانه و موثر، یک پایگاه موردی که در آن مسایل حل‌شده با راه‌حل و درس‌های آموخته‌شده شان ثبت می‌شوند، و یک انتخاب ویژگی‌های

Benchmarking computational intelligence algorithms provides valuable knowledge for selecting the best or, at least, the proper algorithm for a certain problem. The experimental results of the computational intelligence techniques applications in various domains, as well as the comparative studies that were reported in the literature can be analyzed and synthesized as development strategies for new successful applications of CI algorithms. Starting from an application domain-oriented survey of selected recently reported research work, the paper presents a general benchmarking framework applicable to computational intelligence algorithms and a set of guidelines for the selection of the best or more suitable CI algorithm for solving forecasting problems. Our approach proposes the integration of software and knowledge engineering best practice towards CI benchmarking, being a computational intelligence engineering methodology. The framework uses two knowledge bases, one for the application