تغییر الگوریتم بهینه سازی فاخته جهت استفاده در محیط های پویا

تغییر الگوریتم بهینه سازی فاخته جهت استفاده در محیط های پویا

تعداد صفحات : 102فرمت پروژه : ورد چکیدهمحیط­های پویا محیط­هایی هستند که قابلیت تغییرات در طول زمان را به خود اختصاص می­دهند. این تغییرات می­تواند به طرق مختلف از جمله تغییر در پارامترها، توابع هدف یا محدودیت­های مسئله اتفاق افتد. در این راستا حوزه­ی وسیعی از علوم مختلف مانند مدیریت، اقتصاد، رایانه، ریاضیات و غیره با این تغییرات روبرو بوده که هم در بخش تئوری و هم به صورت عملی در جهان واقعی مطرح می­شوند. به همین دلیل حل مسائل مربوط به محیط­های پویا که به حل مسائل بهینه­سازی پویا معروفند از چند دهه­ی گذشته تا به امروز مطرح بوده­اند. مهمترین چالش در حل این گونه مسائل مربوط به نحوه­ی سازگاری با محیط تغییر یافته­ی جدید می­باشد. بنابراین نیاز به ردیابی و دنبال کردن نقطه­ی (نقاط) بهینه­ی­ جدید در فضای مسئله احساس می­شود. برای برخورد با این چالش محققان بر آن شدند تا از الگوریتم­های تکاملی که الهام گرفته از فرآیندهای تکاملی­اند و افزودن یکسری مکانیزم­های خاص بهره­گیرند. چالش دیگری که این مسائل با آن روبرو می­شوند، یافتن بهینه(ها) به طور هر چه دقیق­تر می­باشد که برای این امر بایستی حتی الامکان از الگوریتم­هایی با سرعت هم­گرایی و توانایی جستجوی محلی بالا استفاده کرد. الگوریتم بهینه­سازی فاخته یکی از الگوریتم­های تکاملی است که در محیط­های ایستا سرعت هم­گرایی و توانایی جستجوی محلی بالایی از خود نشان داده است. از سویی پویاسازی این الگوریتم تاکنون بررسی نشده است. لذا هدف از این پژوهش پویاسازی و ارائه­ی نسخه­ی جدیدی از این الگوریتم می­باشد. برای تحقق این موضوع ابتدا تغییراتی در ساختار اصلی الگوریتم استاندارد ایجاد شده و با بهره­گیری از یک مکانیزمخود-تطبیقی در شعاع تخم­گذاری فاخته­ها، تلاش در افزایش سرعت هم­گرایی و توانایی جستجوی محلی صورت گرفته است. سپس جهت ردیابی بهینه(ها) بعد از تغییرات محیطی، از یک الگوریتم چند-دسته­ای، مکانیزم ایجاد دسته­­ی آزادو نیز مکانیزم­ انحصار بهره گرفته می­شود. همچنین جهت رویارویی با چالش­های مربوط به از دست دادن تنوع و حافظه­­ی­ نامعتبر در دسته­های هم­گرا شده، فاخته­های هر دسته در شعاعی (که بر اساس طول گام حرکتی قله­ها تعیین می­گردد) اطراف بهترین فاخته­ی آن دسته پخش و مورد ارزیابی قرار می­گیرند. در دسته­های غیر هم­گرا نیز تنها شایستگی موقعیت فاخته­های آن دسته مجدداًمحاسبه می­شود. مکانیزم غیرفعال­سازی از دیگر مکانیزم­هایی است که جهت افزایش کارآیی الگوریتم در محیط­های پویا مطرح شده است. در نهایت بر اساس نتایج به دست آمده، الگوریتم پیشنهادی در مقایسه با اکثر الگوریتم­ها کارآیی بهتری از خود نشان داده است.واژه‌های كلیدی:مسائل بهینه­ سازی پویا، الگوریتم­ های تکاملی و الگوریتم بهینه­ سازی فاختهفهرست مطالبعنوانصفحهفصل اول: مقدمهفصل دوم: شرح مسئله2-1 محیط­های پویا و مسائل بهینه­سازی پویا2-2 تغییرات پیوسته و ناپیوسته2-3 تغییرات سراسری و مقطعی2-4 اهدف2-5 خلاصه­ی فصلفصل سوم: مفاهیم پایه‌ای3-1 الگوریتم بهینه­سازی فاخته3-1-1 روش زندگی و تخم­گذاری فاخته­ها3-1-2 جزئیات الگوریتم بهینه­سازی فاخته3-2 تابع محک قله­های متحرک3-3 معیار کارآیی3-4 خلاصه­ی فصلفصل چهارم: راه‌کارهای پیشین4-1 ایجاد تنوع4-1-1 اعمال مهاجران تصادفی، مهاجران بر پایه­ی نخبه و ابر جهش به راه اندازی شده در الگوریتم ژنتیک در محیط پویا4-1-2 به کارگیری الگوریتم ممتیک بر اساس جستجوی محلی تپه­نوردی در محیط پویا4-1-3 استفاده از الگوریتم ایمنی مصنوعی بر پایه­ی خودکار یادگیرنده در محیط پویا4-1-4 اعمال مکانیزم خود-سازگار در نرخ جابجایی روی الگوریتم­های تکاملی در محیط پویا4-1-5 چگونگی به کارگیری خودکار سلولی در الگوریتم­های تکاملی در محیط­های پویا4-2 به کارگیری حافظه4-2-1 حافظه­ی ضمنی4-2-2 حافظه­ی صریح4-3 روش چند-جمعیتی بودن4-3-1 به کارگیری الگوریتم بهینه­سازی چند-جمعیتی ذرات سریع درمحیط پویا4-3-2 الگوریتم بهینه­سازی تجمعی ذرات با رویکرد افزودن گروه فرزند در محیط پویا4-3-3 به کارگیری الگوریتم بهینه­سازی تجمعی ذرات با رویکرد وزن تطبیقی و خوشه­بندی فازی در محیط پویا4-3-4 به کارگیری الگوریتم گروه ماهی‌های مصنوعی با رویکرد چند-جمعیتی در محیط پویا4-3-5 به کارگیری الگوریتم کرم شب­تاب با رویکرد ایجاد گروه در محیط پویا4-4 خلاصه­ی فصلفصل پنجم: راه­کار پیشنهادی و ارزیابی نتایج5-1 الگوریتم MCOA5-1-1 مکانیزم خود-تطبیقی شعاع تخم­گذاری5-2 الگوریتم پیشنهادی MMCOAجهت بهینه­سازی در محیط­های پویا5-2-1 بررسی هم­گرایی دسته­ها5-2-2 مکانیزم انحصار5-2-3 کشف تغییرات محیط5-2-4 رفع مشکل حافظه­ی نامعتبر و تنوع از دست رفته5-2-5 مکانیزم غیرفعال­سازی5-3 تحلیل و ارزیابی نتایج5-3-1 تحلیل نتایج الگوریتم MMCOAدر فرکانس تغییرات و تعداد قله­های مختلف و مقایسه با دیگر الگوریتم­ها5-3-2 تحلیل نتایج الگوریتم MMCOAدر طول گام حرکتی مختلف قله­ها و مقایسه با دیگر الگوریتم­ها5-3-3 تحلیل نتایج الگوریتم MMCOAبا تعداد ابعاد مختلف مسئله و مقایسه با دیگر الگوریتم­ها5-4 جمع­بندی نتایج5-5 خلاصه­ی فصلفصل ششم: نتیجه‌گیری و راه­کارهای آتی6-1 نتیجه‌گیری6-2 راه‌کارهای آتیمراجعواژه ­نامه