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
دانلود فایل تغییر الگوریتم بهینه سازی فاخته جهت استفاده در محیط های پویا
افزایش دقت شناسایی چهره با انتخاب زیر مجموعه بهینه از ویژگی های چهره با بکارگیری الگوریتم فاخته,پردازش تصویر,علوم کامپیوتر,پایاین نامه علوم کامپیوتر,پایان نامه پردازش تصویر,مقالات ارشد علوم کامپیوتر