یک روش ترکیبی مبتنی بر خوشه بندی برای حل مساله فروشنده دوره گرد با مقیاس بزرگ
محل انتشار: سیزدهمین کنفرانس سالانه انجمن کامپیوتر ایران
سال انتشار: 1386
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 2,356
فایل این مقاله در 6 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
این مقاله در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
ACCSI13_206
تاریخ نمایه سازی: 25 آبان 1386
چکیده مقاله:
یکی از مسائل بسیار مهم در تئوری گراف ها، مساله فروشنده دوره گرد می باشد که یک مساله NP-Complete است. اکثر مسائلی که می توان انها را با مساله فروشنده دوره گرد مدل کرد، دارای مقیاس خیلی بزرگ هستند که الگوریتم های موجود قادر به حل انها در یک زمان قابل قبول نیستند. آتوماتاهای یادگیر و الگوریتم های ژنتیکی هر دو از ابزارهای جستجو می باشند که برای حل بسیاری از مسائل NP-Complete بکار برده میشوند. در این مقاله یک الگوریتم ترکیبی (الگوریتم ژنتیک + آتوماتای یادگیر) مبتنی بر خوشه چینی برای حل مساله فروشنده دوره گرد با مقیاس بزرگ پیشنهاد شده است. این الگوریتم ابتدا با استفاده از تکنیک خوشه بندی، مساله اصلی را به چند زیر مساله با مقیاس کوچک افراز کرده و سپس از دو روش الگوریتم های ژنتیکی و اتوماتای یادگیری بطور همزمان برای جستجو در فضای حالت و حل هر زیر مساله استفاده می نماید، نشان داده شده است که با استفاده همزمان از آتوماتای یادگیر و الگوریتم ژنتیک در فرایند جستجو، سرعت رسیدن به جواب افزایش چشمگیری پیدا میکند و همچنین از بدام افتادن الگوریتم در حداقل های محلی جلوگیری می نماید. نتایج آزمایش ها، برتری الگوریتم ترکیبی را نسبت به الگوریتم ژنتیکی و آتوماتاهای یادگیر نشان میدهد و همچنین با استفاده از تکنیک خوشه بندی و اجرای الگوریتم ترکیبی بطور همزمان بر روی هر خوشه – با یک سیستم چند پردازنده ای – می توان زمان لازم برای حل مساله را به حداقل مقدار ممکن کاهش داد.
کلیدواژه ها:
نویسندگان
باقر زارعی
دانشکده مهندسی کامپیوتر، دانشگاه آزاد اسلامی واحد شبستر، ایران
کیوان اصغری
گروه کامپیوتر، دانشگاه آزاد اسلامی واحد خامنه، ایران
محمدرضا میبدی
دانشکده برق، مهندسی کامپیوتر و فناوری اطلاعات، دانشگاه صنعتی امیرکب
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :