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
- محل انتشار: مجله محاسبات نرم، دوره: 9، شماره: 1
- کد COI اختصاصی: JR_SCJKA-9-1_005
- زبان مقاله: فارسی
- تعداد مشاهده: 263
نویسندگان
باشگاه پژوهشگران و نخبگان، دانشگاه آزاد اسلامی واحد یاسوج، کهگیلویه و بویراحمد، ایران
دانشکده مهندسی کامپیوتر، دانشگاه علم و صنعت، تهران، ایران
دانشکده مهندسی کامپیوتر، دانشگاه آزاد اسلامی، نورآباد ممسنی، فارس، ایران
دانشکده فنی و مهندسی، گروه مهندسی برق و کامپیوتر، دانشگاه یاسوج، یاسوج، ایران
چکیده
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.کلیدواژه ها
بهینه سازی, الگوریتم ژنتیک, محیط پویا, حافظه, خوشه بندی, تخمین تراکم, جفت گزینی, جهش, خودسازماندهاطلاعات بیشتر در مورد COI
COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.