یک رویکرد ترکیبی برای بهینه سازی کوتاه ترین مسیر با استفاده از عملگرهای ژنتیک و مدل های یادگیری ماشین: بررسی و چارچوب یکپارچه

یافتن کوتاه ترین مسیر یکی از مسائل کلاسیک و در عین حال از مهم ترین موضوعات در حوزه های هوش مصنوعی، شبکه های حمل ونقل، و سیستم های رباتیکی است که در دهه ی ۱۹۹۰ تاکنون، پژوهشگران بسیاری تلاش کرده اند تا با به کار گیری الگوریتم های الهام گرفته از طبیعت به ویژه الگوریتم های ژنتیک (GA) این مسئله را با دقت، سرعت و پایداری بیشتری حل کنند. با این حال عملکرد GA در مسائل پیچیده و پویا گاهی تحت تاثیر انتخاب های تصادفی، نرخ جهش و همگرایی زودرس قرار می گیرد. در سال های اخیر، ظهور مدل های یادگیری ماشین (ML) موجب شکل گیری رویکرد های ترکیبی یا (Hybrid) گردیده است که در آن، ML به منظور بهبود فرآیند انتخاب، تنظیم پویایی پارامتر ها و پیش بینی کیفیت مسیر ها در GA به کار می رود. این ادغام موجب افزایش دقت، کاهش زمان پردازش و بهبود همگرایی در مسائل بهینه سازی مسیر شده است.هدف این پژوهش، ایجاد پیوند میان روش های کلاسیک مبتنی بر GA و مدل های نوین یادگیری ماشین برای توسعه ی یک چارچوب ترکیبی کارآمد است که توانایی حل مسئله یافتن کوتاه ترین مسیر را در محیط های پیچیده و مبتنی بر عدم قطعیت بهبود می بخشد.

کلیدواژه ها:

الگوریتم ژنتیک: Genetic Algorithms (GA) ، کوتاه ترین مسیر: Shortest path ، بهینه سازی: optimizing ، شبکه: Network ، هوش مصنوعی: Artificial Intelligence (AI) ، الگورتیم تکاملی: Evolution Algorithms (EA) ، گره: Node ، یال: Edge ، برازندگی: Fitness ، ترکیب: Crossover ، انتخاب: Selection ، جهش:Mutation ،