بهینه سازی حل مساله فروشنده دوره گرد (TSP) با استفاده از الگوریتم CLONALG با بکارگیری جهش ترکیبی HPRM

به دام افتادن در بهینه های محلی و همگرا نشدن در مسیر بهینه های سراسری، از جمله چالش های مهمم الگوریتم های تکاملی در حوزه هوش محاسباتی می باشد. از این رو گسترش اکتشاف در فضای مسائل بهینه سازی در جهت دسترسی به تنوع راه حل ها، یک راه حل کلیدی برای حل این چالش می باشمد . الگوریتم CLONALG از جملمه الگوریتم های تکاملی با چالش به دام افتادن در بهینه محلی می باشد. در این مقاله ما تاثیر بکارگیری استراتژی جهش ترکیبی در الگوریتم CLONALG را برای حل این چالش و دستیابی به جمعیتی متنوع از راه حل های بالقوه، مورد تحلیل قرار داده ایم. برای ارزیابی ایده خود، الگوریتم را بر روی مساله فروشنده دوره گرد که از جمله مسائل کلاسیک بهینه سازی می باشد نگاشت نموده، و از جهش ترکیبی HPRM به عنوان یکی از بهترین شیوه های جهش مطرح شده ، بکار گرفته ایم. نتایج بدست آمده از شبیه سازی نشان می دهد که رویکرد ارائه شده، راه حل های بهینه ای برای مساله فروشنده دور گرد تولید می کند و سرعت همگرایی و کیفیت جواب ها در مقایسه با نسخه استاندارد CLONALG به صورت قابل توجهی بهبود یافته است.

کلیدواژه ها:

سیستم ایمنی مصنوعی ، الگوریتم CLONALG ، جهش ترکیبی HPRM ، مساله فروشنده دوره گرد ، TSP