ارائه یک الگوریتم فرا اکتشافی جدید مبتنی بر رفتار پرنده تیهو برای حل مسائل بهینه سازی پویا

الگوریتم SSPCO گونه ای از الگوریتم های هوش جمعی و برگرفته شده از رفتار پرنده تیهو است. کارآیی این الگوریتم برای حل مسائل بهینه سازی ایستا به اثبات رسیده است؛ اما این کارآیی این الگوریتم تا به حال برای حل مسائل بهینه سازی پویا مورد آزمایش قرار نگرفته است. به دلیل ماهیت NP-Hard بودن مسائل پویا، این الگوریتم به تنهایی قادر به حل این گونه از مسائل بهینه سازی نمی باشد. بنابراین برای این که الگوریتم قادر به ردیابی بهینه متغیر در این مسائل باشد، باید راهکارهایی به همراه این الگوریتم ارائه داد که بتوانند عملکرد این الگوریتم را درمواجهه با محیط های پویا افزایش دهد. در این مقاله دو راه حل برای ترکیب با الگوریتم SSPCO ارائه شده است که عبارتند از، روش چندجمعیتی و حافظه با تخمین تراکم گوسی. مشکلی که در اکثر روش های چندجمعیتی وجود دارد این است که با افزایش کنترل نشده جمعیت، سرعت و راندمان الگوریتم به تدریج کاهش می یابد. روش چندجمعیتی ارائه شده در این مقاله به صورت تطبیقی با فضای مسئله می باشد، و هر زمان که نیاز به افزایش جمعیت باشد یک جمعیت به صورت تطبیقی ایجاد می شود و این موضوع باعث می شود که مشکل روش های قبلی کاهش یابد. یکی از مواردی که در حل مسائل غیرقطعی باید مشخص شود، استفاده از داده های گذشته نزدیک برای پیش بینی آینده نزدیک است. در این مقاله با توجه به این موضوع برای حفظ اطلاعات گذشته از یک نوع خاصی از حافظه استفاده شده است. در این روش از حافظه جدیدی به نام حافظه تخمین تراکم گوسی استفاده شده است. این حافظه عیوب حافظه استاندارد را برطرف نموده و باعث بهبود کارآیی الگوریتم پیشنهادی می شود. برای آزمایش کارآیی روش پیشنهادی از تابع معروف محک قله های متحرک که رفتاری شبیه به مسائل پویا را شبیه سازی می کند، استفاده شده است. الگوریتم پیشنهادی با ۱۰ تا از مشهورترین الگوریتم های بهینه سازی پویا مقایسه گردیده است. همان گونه که از نتایج تجربی و آزمایش ها مشخص می باشد روش پیشنهادی توانسته خطای برون خطی را تا حدود بسیار زیادی نسبت به سایر روش کاهش دهد و خطای تولید شده برای روش پیشنهادی بسیار ناچیز است.

کلیدواژه ها:

الگوریتم SSPCO ، محک قله های متحرک ، بهینه سازی پویا ، خطای برون خطی ، حافظه ، خوشه بندی ، MMSSPCO