ارائه یک نسخه بهبودیافته از الگوریتم ژنتیک مبتنی بر راهکار خودسازمان دهی بحرانی و حافظه گوسی برای حل مسائل بهینه سازی پویا

سال انتشار: 1399
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 185

فایل این مقاله در 36 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_SCJKA-9-1_005

تاریخ نمایه سازی: 31 تیر 1401

چکیده مقاله:

از آن جایی که اجزای پویا، همراه با محدویت های غیرخطی و اهداف متعدد، یکی از خصوصیت هایی است که به طور مکرر در مسائل دنیای واقعی ظاهر می شود و از طرف دیگر زمان زیادی است که محاسبات تکاملی وارد حوزه کاربردهای صنعتی شده است (به خصوص به علت توانایی آن‎ها در مواجهه با محیط‎ های چندهدفه و غیرخطی) انتظار می ‎رود که توجه به این زمینه در جامعه علمی رشد پیدا کند. هدف این مقاله، امکان طراحی پروتکل‎ های الهام گرفته از طبیعت در الگوریتم ژنتیک است که روی بهینه‎ سازی در محیط‎ های پویا موثر باشد، در حالی ‎که پیچیدگی الگوریتم را حفظ کند و تغییرات در فضای مسئله به ‎صورت دوره‎ای رخ دهد. در این مقاله، یک الگوریتم ژنتیک بهبودیافته (خودسازمانده بحرانی) مبتنی بر حافظه برای حل مسائل بهینه‎ سازی پویا ارائه شده است. در الگوریتم ارائه ‎شده، از یک عملگر جهش خودسازمانده استفاده شده است. این عملگر جهش می‎ تواند نرخ‎ های جهش خودتنظیم ‎شونده را با یک توزیع ویژه بر مبنای مدل تپه شنی انجام دهد که این برای بهینه ‎سازی پویا مناسب است. اگر تغییرات به ‎صورت دوره‎ای رخ دهند، به ‎طور معمول استفاده از اطلاعات گذشته اجازه می‎ دهد الگوریتم به ‎سرعت بعد از تغییر محیط به سازگاری در شرایط محیطی جدید برسد. ایده مورد نظر در این زمینه، استفاده از یک حافظه می‎ باشد. یکی از چالش‎ های اساسی در به‎ کارگیری حافظه، تنوع می‎ باشد. برای افزایش سطح تنوع از یک حافظه تخمبن تراکم با خوشه بندی گاوسی استفاده شده است. همچنین از راهکاری برای جایگزینی و بازیابی در حافظه استفاده شده است. در طرح پیشنهادی ابتدا جهش خودسازمانده بحرانی جدید، با سایر الگوریتم ‎های ژنتیک ارائه شده توسط سایر محققین ترکیب شده و نتایج حاصل شده نشان می‎ دهد که این روش توانسته به‎ کرات سایر الگوریتم‎ های ژنتیک را برای محیط‎ های پویا بهبود بخشد. در نهایت روش پیشنهادی این مقاله که ترکیب خودسازماندهی بحرانی جدید با حافظه تخمین تراکم گوسی است ارائه شده است. نتایج این روش بر روی مسائل محک مختلف با عنوان توابع تله پویا (Royal road، One Max و Deceptive)، آزمایش شده ونتایج حاصله حاکی از کارایی بیشتر روش پیشنهادی است.

نویسندگان

مجید محمدپور

باشگاه پژوهشگران و نخبگان، دانشگاه آزاد اسلامی واحد یاسوج، کهگیلویه و بویراحمد، ایران

بهروز مینایی بیدگلی

دانشکده مهندسی کامپیوتر، دانشگاه علم و صنعت، تهران، ایران

حمید پروین

دانشکده مهندسی کامپیوتر، دانشگاه آزاد اسلامی، نورآباد ممسنی، فارس، ایران

کیوان رحیمی زاده

دانشکده فنی و مهندسی، گروه مهندسی برق و کامپیوتر، دانشگاه یاسوج، یاسوج، ایران

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Grefenstette J. J. and Ramsey C. L., "An approach to ...
  • Branke J., Kaußler T., Schmidt C., and Schmeck H., "A ...
  • Branke J., "Evolutionary Optimization in Dynamic Environments", Universität Karlsruhe, pp. ...
  • Darwin C., “On the Origins of species by means of ...
  • Jin Y., and Branke J., "Evolutionary optimization in uncertain environments: ...
  • Whitley L.D. and Kauth J., “Genitor: A different genetic algorithm”, ...
  • Cobb H.G., “An investigation into the use of hyper-mutation as ...
  • Grefenstette J.J., “Evolvability in dynamic fitness landscapes: A genetic algorithm ...
  • Bak P. and Sneppen K., “Punctuated equilibrium and criticality in ...
  • Stephens C.R., Olmedo I.G., Vargas J.M., and Waelbroeck H., “Self-adaptation ...
  • Goldberg D.E. and Smith R.E., “Nonstationary function optimization using genetic ...
  • Etaner-Uyar A.S. and Harmanci A.E., “A new population based adaptive ...
  • Ryan C., “Diploidy without dominance”, In J.T. Alander (Ed.), Proceedings ...
  • Lewis J., Hart E., and Ritchie G., “A comparison of ...
  • Dasgupta D. and Mcgregor D.R., “Nonstationary function optimization using the ...
  • Klinkmeijer L.Z., De Jong E., and Wiering M. “A serial ...
  • Hollstein R.B., “Artificial genetic adaptation in computer control systems”, Doctoral ...
  • Ramsey C.L. and Grefenstette J.J., “Case-based initialization of genetic algorithms”, ...
  • Trojanowski K. and Michalewicz Z., “Evolutionary optimization in non-stationary environments”, ...
  • محمدپور م.، پروین ح.، «الگوریتم ژنتیک آشوب گونه مبتنی بر ...
  • محمدپور م.، مینایی بیدگلی ب.، پروین ح.، «ارائه یک الگوریتم ...
  • Mohammadpour M., Parvin H., and Sina M., “Chaotic genetic algorithm ...
  • Mohammadpour M. and Parvin H., “Genetic algorithm based on explicit ...
  • Parvin H., Nejatian S., and Mohammadpour M., “Explicit memory based ...
  • Ursem R.K., “Multinational GA optimization techniques in dynamic environments”, In ...
  • Park T. and Ryu K.R., “A dual population genetic algorithm ...
  • Park T., Choe R., and Ryu K.R., “Adjusting population distance ...
  • Park T., Choe R., and Ryu K.R., “Dual population genetic ...
  • Yang S., “Constructing test environments for genetic algorithms based on ...
  • Martello S. and Toth P., “Knapsack problems: Algorithms and computer ...
  • سلیمی سرتختی ج.، گلی بیدگلی س.، «ارائه یک الگوریتم ترکیبی ...
  • Agarwal R., Schuurmans D., and Norouzi M., “An optimistic perspective ...
  • Cabi S., Colmenarejo S.G., Novikov A., Konyushkova K., Reed S., ...
  • Castro P.S., Moitra S., Gelada C., Kumar S., and Bellemare ...
  • Bäck T., “Evolutionary algorithms in theory and practice”, Oxford University ...
  • Goldberg D.E. “The design of innovation lessons from and for ...
  • Baluja S., “Population-based incremental learning: A method for integrating genetic ...
  • Harik G.R., Lobo F., and Sastry K., “Linkage learning via ...
  • Bak P., Tang C., and Wiesenfeld K., “Self organized criticality: ...
  • Bak P. and Sneppen K., “Punctuated equilibrium and criticality in ...
  • Fernandes C.M., “Pherographia: Drawing by ants”, Leonardo–Journal of the International ...
  • Fernandes C.M., Merelo J.J., Ramos V., and Rosa A.C., “A ...
  • Fernandes C.M., Laredo J.L.J., Rosa A.C., and Merelo J.J., “The ...
  • Tinós R. and Yang S., “A self-organizing RIGA for dynamic ...
  • Yang S., “Genetic algorithms with memory- and elitismbased immigrants in ...
  • Fernandes C.M., Merelo J.J., and Rosa A.C., “A comparative study ...
  • Martello S. and Toth P., “Knapsack problems: algorithms and computer ...
  • Jana B., Mitra S., and Acharyya S., “Repository and mutation ...
  • Pampara G. and Engelbrecht A.P., “Self-adaptive quantum particle swarm optimization ...
  • Dzalbs I. and Kalganova T., "Accelerating supply chains with Ant ...
  • محمدی ح.، اخوان ع.، «مقایسه عملکرد الگوریتم های HSA،ICA و ...
  • Parvin H., Minaei B., and Ghatei S., “A new particle ...
  • Hashemi A. and Meybodi M., "Cellular PSO: A PSO for ...
  • Assimi H., Harper O., Xie Y., Neumann A., and Neumann ...
  • Roostapour V., Neumann A., and Neumann F., “On the performance ...
  • Xie Y., Harper O., Assimi H., Neumann A., and Neumann ...
  • Zhao Z., Gu F., and Cheung Y.M., “Co-operative Prediction Strategy ...
  • Hu W., Jiang M., Gao X., Tan K.-C., and Cheung ...
  • نمایش کامل مراجع