الگوریتم LAGA :یک روش ترکیبی مبتنی بر الگوریتم ژنتیک و اتوماتای یادگیرجهت بهینه سازی توابع پیچیده مانندGriewank

بهینه سازی توابعی از دسته مسائلNP-hardدر سال های اخیر، بسیار مورد توجه قرار گرفته است. از جمله راه حل های موجود برای حل اینگونه مسائل، استفاده از الگوریتم های ترکیبی یا ابتکاری است. در این مقاله یک روش بهینه سازی جدید ارائه می شود، که درآن پارامتر های الگوریتم ژنتیک توسط اتوماتای یادگیر، به صورت بهینه تنظیم خواهد شد. ترکیب این دو روش که از الگوریتم های محاسبات نرم به شمار می روند، به روشی کارا برای حل مسائلی نظیر بهینه سازی تابع آزمونGriewankدر شرایطی که تعداد ابعاد تابع بسیار بالا است، می انجامد. بدلیل اینکه پارامترهای الگوریتم ژنتیک به دقت توسط اتوماتای یادگیر تنظیم می شوند، نسبت به زمانی که از روش های دیگر بهینه سازی استفاده می کنیم، به جواب بهتری می رسیم. برتری این روش نسبت به سایر روش ها این است که از کارایی بالای اتوماتای یادگیر در محیط های تصادفی و ناشناخته و همچنین قابلیت بالای الگوریتم ژنتیک در حل مسائل بهینه سازی، بهره می برد. نتیجه آزمایشات نشان می دهند که روش پیشنهادی می تواند بهینه سراسری تابعGriewankرا در 011 بعد، به طور دقیق بیابد

کلیدواژه های الگوریتم LAGA :یک روش ترکیبی مبتنی بر الگوریتم ژنتیک و اتوماتای یادگیرجهت بهینه سازی توابع پیچیده مانندGriewank:

بهینه سازی ، تابعGriewank ، الگوریتمLAGA ، الگوریتم ژنتیک ، اتوماتای یادگیر ، الگوریتم PSO