پایان نامه تغییر الگوریتم بهینه سازی فاخته جهت استفاده در محیط های پویا

word 2 MB 31065 104
1393 کارشناسی ارشد مهندسی کامپیوتر
قیمت: ۱۳,۵۲۰ تومان
دانلود فایل
  • بخشی از محتوا
  • وضعیت فهرست و منابع
  • پایان‌نامه برای دریافت درجه کارشناسی ارشد

    رشته مهندسی کامپیوتر گرایش هوش مصنوعی.

    چکیده

    محیط­ های 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 الگوریتم­ های 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 بهینه­ سازی 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 مکانیزم
    خود-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 آزاد و 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 مجدداً محاسبه 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 کلیدی: مسائل بهینه­ سازی پویا، الگوریتم­ های تکاملی و الگوریتم بهینه ­سازی فاخته

     

    فصل اول: مقدمه

    بهینه­سازی، فرآیندی جهت پیداکردن مناسب­ترین مقدار از فعالیت(های) مورد نظر در حوزه­ی داده شده با توجه به منابع و محدودیت­های موجود می­باشد. بر همین اساس این فرآیند می­تواند طیف وسیعی از حوزه­های علمی در شاخه­های مختلف از جمله ریاضیات، آمار، علوم کامپیوتر، علوم مدیریتی و غیره و حتی مسائل روزمره را پوشش دهد. بنابراین پرداختن به مسائل مربوط به بهینه­سازی از اهمیت خاصی برخوردار بوده و به عنوان یکی از اصلی­ترین رویه­های تحقیقاتی برای محققان به شمار می­آید.

    در مسائل مطرح شده در حوزه­ی بهینه­سازی طبقه­بندی­های مختلفی بسته به حوزه­ی کاربردی وجود دارد. یکی از این طبقه­بندی­ها بر اساس تغییرپذیری یا عدم تغییرپذیری محیط اطراف تعیین
     می­شود. به این ترتیب در صورتی­که محیط شاهد عدم تغییرات در خود باشد مسائل مربوطه تحت عنوان مسائل بهینه­سازی ایستا مطرح شده و در صورت تغییرات محیطی، با مسائل بهینه­سازی پویا روبرو
    می­گردد. در مسائل نوع اول هدف اصلی یافتن و یا تخمین هر چه بهتر نقطه­ی (نقاط) بهینه می­باشد. این در حالی است که در مسائل نوع دوم نه تنها باید هدف اصلی در حالت ایستا ارضا شود بلکه بایستی بتوان هر چه سریع­تر نقطه­ی (نقاط) بهینه را دنبال کرد. این امر از آن­جا ناشی می­شود که در محیط­های پویا به دلیل تغییرپذیری محیطی امکان تغییر نقطه­ی (نقاط) بهینه به منطقه­ی دیگری از فضای جستجو وجود دارد. بنابراین چنین مسائلی با چالش­های بیشتری نسبت به حالت ایستا مواجه می­شوند. از این رو محققان بر آن شدند که از الگوریتم­هایی بهره­گیرند که بتوانند خود را با شرایط متغیر محیطی وفق دهند. به این ترتیب توجه آ­ن­ها به سمت الگوریتم­های تکاملی معطوف گردید. چرا که این الگوریتم­ها از تکامل طبیعی الهام گرفته و تکامل طبیعی نیز فرآیندی پیوسته از سازگاری با محیط می­باشد.

    در پژوهش­های انجام شده تاکنون از سه روش اصلی در الگوریتم­های تکاملی برای حل مسائل
    بهینه­سازی پویا استفاده شده است: (1) ایجاد تنوع، (2) به ­کارگیری حافظه و (3) رویکرد چند-جمعیتی. به دلیل امکان ایجاد تغییرات در فضایی که هیچ عضوی در آن حضور ندارد و یا امکان هم­گرایی اعضا در آن منطقه، از رویکرد ایجاد تنوع استفاده می­شود. جهت تحقق این امر در الگوریتم­هایی چون الگوریتم ژنتیک، از مهاجران تصادفی و گاهی از مکانیزم خود-تطبیقی در نرخ جابجایی مهاجران وارد شده به جمعیت بهره گرفته شده است. در الگوریتم­های کلونی مورچگان و کلونی زنبورهای مصنوعی از خودکار سلولی و در یک نمونه نیز از الگوریتم ایمنی مصنوعی بر پایه­ی خودکار یادگیرنده، استفاده شده است. همچنین محققان سعی کردند تا با به­ کارگیری حافظه و استفاده از بهترین اعضای جمعیت بتوانند الگوریتم ژنتیک را با محیط­هایی که در معرض تغییرات کم قرار می­گیرند تا حدی سازگار نمایند. در نمونه­های دیگر از الگوریتم­هایی چون الگوریتم بهینه­سازی تجمعی ذرات[1]، الگوریتم گروه ماهی­های مصنوعی[2] و الگوریتم کرم شب­تاب[3] از رویکرد چند-جمعیتی استفاده شده که در آن­ها از چندین جمعیت در فضای جستجو برای ایجاد تعادل بین اکتشاف[4] و استخراج[5] نقطه­ی (نقاط) بهینه و ردیابی هر چه بهتر آن(ها) بهره گرفته شده است.

    در این پایان­نامه یکی از جدیدترین الگوریتم­ های تکاملی، الگوریتم بهینه­سازی فاخته[6]، برای حل مسائل بهینه­سازی پویا ارائه می­گردد. این الگوریتم همان طور که از نامش پیداست از نحوه­ی زندگی پرنده­ای موسوم به فاخته الهام گرفته شده است. مسئله­ای که در این جا وجود دارد اینست که الگوریتم فاخته برای حل مسائل بهینه­سازی ایستا به ­کار رفته و نتایج خوبی را گزارش داده است. حال آن­که برای استفاده از این الگوریتم در حل مسائل بهینه­سازی پویا یکسری مکانیزم­هایی جهت ردیابی بهینه در زمان تغییرات و نیز برقراری نوعی تعادل در عملیات اکتشاف و استخراج، افزوده می­شوند.

    در ادامه، در فصل دوم به شرح کلی مسئله، پیش‎فرض‎ها و اهداف بهینه­سازی در محیط­های پویا پرداخته و در فصل سوم جهت درک بهتر موضوع، مفاهیم پایه­ای و ابزارهای مورد استفاده برای حل مسائل مربوطه مطرح می­گردد. در فصل چهارم نمونه­هایی از راه­کارهای گذشته در زمینه­ی مسائل
    بهینه­سازی پویا، مورد مطالعه قرار گرفته و در فصل پنجم راه‏کار پیشنهادی این تحقیق، نتایج ارزیابی و آزمایشات آورده می­شود. در نهایت در فصل ششم نتیجه­گیری کلی و راه­کارهای آتی ارائه خواهد شد.

     

    فصل دوم: شرح مسئله

     

    در این فصل به شناخت محیط­های پویا و به تبع آن مسائل بهینه­سازی پویا به عنوان مسئله­ی اصلی این پژوهش، تغییرات به­ کار گرفته شده در فضای مسئله که در این پایان­نامه به عنوان پیش فرض مورد استفاده قرار می­گیرد و هدف مورد نظر برای حل این گونه مسائل پرداخته خواهد شد.

    2-1 محیط­های پویا و مسائل بهینه­سازی پویا

    محیط­های پویا، که به نام مسائل پویا[7] یا مسائل وابسته به زمان[8] شناخته می­شوند، محیط­هایی هستند که در طول زمان می­توانند شاهد تغییرات پیوسته یا گسسته در خود باشند. این تغییرات می­تواند در حوزه­ی وسیعی اتفاق بیافتد. از جمله این­که تعداد، ابعاد، دامنه­ی پارامترهای محیطی و یا دیگر ویژگی­ها­ می­تواند تغییر کند. از دیگر مواردی که ممکن است اتفاق بیافتد، تغییر مقدار پارامترها با توجه به زمان است. در نهایت در کلیه­ی تغییرات ایجاد شده، محیط با تغییر نقطه یا نقاط بهینه­ی سراسری و محلی روبرو می­گردد. مسایلی که در این حوزه تعریف می­شوند هم در بخش آزمایشگاهی و هم در دنیای واقعی به این محیط­ها عینیت می­بخشند. از جمله­ی آن­ها، مسائل بهینه­سازی پویا[9] بوده که در آن­ها مقدار تابع برازندگی مرتب تغییر می­کند. به طور دقیق­تر در تعریف ریاضی این گونه مسائل خواهیم داشت [1] :

    (2‑1)

    که در آن  فضای جستجو،  زمان،  تابع شایستگی که مقادیر عددی  را به هر راه­حل ممکن ( ) در زمان  نسبت می­دهد و  مجموع راه­حل­های شدنی  در زمان  می­باشد.

    2-2 تغییرات پیوسته و ناپیوسته

    از حیث تغییرات ایجاد شده در نقطه­ی (نقاط) بهینه­ی تابع هدف، محیط می­تواند شاهد دو نوع تغییر پیوسته یا ناپیوسته باشد [2]. اگر  تابع هدف ایستا در نظر گرفته شود، آن­گاه با اعمال تغییرات خواهیم داشت:  که در آن بردار جابجایی  مسیر حرکت بهینه[10] را کنترل
    می­کند. بنابراین در صورتی که  بهینه­ی تابع  باشد، در آن ­صورت  بهینه­ی  در زمان  خواهد بود. حال  می­تواند به طرق مختلف تعریف گردد: اگر  ­باشد، مسیر حرکت بهینه به­ صورت خطی و اگر   باشد، مسیر حرکت بهینه به ­طور تناوبی خواهد بود که در آن­ها شدت تغییر به وسیله­ی مقدار  تعیین می­گردد. در شرایط ناپیوسته نقطه­ی بهینه از یک موقعیت به یک موقعیت دیگر پرش می­کند. چنین رفتاری به وسیله­ی توابع چند حالته[11]
    ایجاد می­گردد. به ­طورکلی مسایل با تغییرات ناپیوسته به­ مراتب سخت­تر از تغییرات پیوسته می­باشند که در این پایان­نامه تغییرات به صورت ناپیوسته اعمال می­شود.

    2-3 تغییرات سراسری و مقطعی

    از دیدگاهی دیگر تغییرات ایجاد شده در فضای مسئله می­تواند به طور سراسری یا مقطعی باشد. زمانی­که

    مقدار شایستگی تمام نقاط موجود در فضای مسئله تغییر ­کند، تغییرات سراسری و در صورتی­که مقدار شایستگی بعضی نقاط موجود در فضای مسئله تغییر ­کند، تغییرات مقطعی خواهند بود. در این پژوهش کلیه­ی تغییرات محیطی به طور پیش فرض سراسری در نظر گرفته ­می­شوند. بدین ترتیب تنها با تست کردن یک نقطه در فضای مسئله و مقایسه­ی مقدار شایستگی بدست آمده­ با مقدار قبلی ذخیره شده­ی آن، می­توان متوجه تغییرات محیطی شد [3].

    2-4 اهدف

    اهدف اصلی در محیط­های پویا و به دنبال آن مسائل بهینه­سازی پویا ردیابی نقطه­­ی (نقاط) بهینه و سپس یافتن هر چه دقیق­تر آن(ها) می­باشد. از این رو مسئله­ای که حائز اهمیت است سرعت ردیابی و دنبال کردن بهینه(ها) می­باشد. به عبارتی بایستی بتوان قبل از ایجاد تغییر محیطی بعدی تخمین هر چه بهتری از جواب(های) بهینه داشت. بهمین دلیل سعی بر آن است تا با بهره­گیری از الگوریتم­های هوشمند و تکاملی که الهام گرفته از تکامل طبیعی­اند، بتوان اهداف مطرح شده را برآورده کرد. چرا که تکامل طبیعی یک فرآیند پیوسته­ای از سازگاری با محیط است.

     2-5 خلاصه­ی فصل

    در این فصل به شناخت محیط­های پویا و حل مسائل بهینه­سازی پویا به دلیل اهمیت خاص آن­ها در بخش آزمایشگاهی و نیز در دنیای واقعی، پرداخته شد. همچنین برای شرح وسیع­تر این محیط­ها انواع تغییرات موجود در این حوزه از دو دیدگاه بررسی گردید: (1) پیوسته و ناپیوسته و (2) سراسری و مقطعی که از نظر دیدگاه اول تغییرات ناپیوسته و از نظر دیدگاه دوم تغییرات سراسری مورد نظر این پژوهش می­باشد. در انتها نیز اهداف اصلی حل مسائل بهینه­سازی پویا که همانا دنبال کردن نقطه­ی (نقاط) بهینه و به ­دست آوردن جواب(های) هر چه بهتر است، مطرح شد.

    فصل سوم: مفاهیم پایه‌ای

     

     

    مطالب این فصل در چهار بخش ارائه می­گردد که در ابتدا به معرفی الگوریتم بهینه­سازی فاخته و مفاهیم مربوط به آن پرداخته می­شود. سپس یکی از مولدهای مسائل پویا به نام تابع محک قله­های متحرک [12]که در این پژوهش مورد استفاده گردیده است، به همراه معیار کارآیی در نظر گرفته شده در بررسی نتایج، ارائه می­شوند.

    3-1 الگوریتم بهینه­سازی فاخته

    الگوریتم بهینه­سازی فاخته  توسط رجبیون در سال 2011 ارائه گردید [4] که این پایان­نامه بر اساس این الگوریتم می­باشد. در ادامه جزئیات این الگوریتم بیان می­شود.

    3-1-1 روش زندگی و تخم­گذاری فاخته­ها

    همه­ی انواع پرندگان برای مادر شدن رویه­ی تخم­گذاری را دنبال می­کنند. همه­ی آن­ها تخم گذاشته و جوجه­ی خود را بیرون از بدنشان پرورش می­دهند. هر چقدر تخم گذاشته شده بزرگتر باشد، مادر قادر به نگهداری فقط یک تخم بوده و در ضمن توانایی پرواز پرنده­ی مادر نیز سخت­تر خواهد شد. از طرفی چون تخم­ها منبع سرشار از پروتئین برای انواع شکارچیان می­باشند، پرندگان باید مکان امنی برای رشد
    تخم­های خود پیدا کنند. پیدا کردن این مکان به عنوان یک چالش برای پرندگان محسوب می­گردد. لذا آن­ها از یک مهندسی پیچیده و طراحی هنرمندانه­ای برای این امر استفاده می­کنند. اکثر پرندگان
    لانه­های خود را به صورت مستتر در پوشش­های گیاهی ایجاد می­کنند تا تخم­هایشان از شناسایی شکارچیان در امان باشند. در این بین پرندگانی هم وجود دارند که خود را از دردسر لانه­سازی رها کرده و بجای ساختن لانه برای تخم­های خود آن­ها را در لانه­های دیگر پرندگان قرار می­دهند و صبر می­کنند تا تخم­هایشان توسط پرندگان دیگر رشد و تغذیه نمایند. به این پرندگان «پارازیت­های اولاد[13]» گویند.

    فاخته­ها بهترین نمونه­ی پارازیت­های اولادی هستند. آن­ها یک تخم از تخم­های پرنده­ی میزبان را از بین برده، تخم خود را بجای آن قرار داده و سریع از محل دور می­شوند. فاخته­ها این کار را با تقلید از رنگ و الگوی[14] تخم­های موجود در هر لانه انجام می­دهند تا تخم­های جدید لانه شبیه به تخم­های قبلی و واقعی میزبان باشند. نحوه­ی تقلید کردن از تخم­ها همچنان از اسرار طبیعت به شمار می­آید. در ضمن هر فاخته­ی ماده روی نوع خاصی از گونه­های پرندگان تخصص می­یابد. از طرفی حالتی هم وجود دارد که پرندگان میزبان تخم­های فاخته­ها را شناسایی کرده و یا آن­ها را از لانه­ی خود به بیرون پرت می­کنند یا خودشان لانه­ی لورفته را ترک کرده و لانه­ی جدیدی برپا می­کنند. فاخته­ها به طور پیوسته تقلید خود را از تخم­های لانه­های هدف بهبود می­دهند. در مقابل نیز پرندگان میزبان روش­های شناسایی تخم­های بیگانه را یاد می­گیرند. این تلاش و مبارزه بین پرندگان و فاخته­ها یک فرآیند مداوم و پیوسته است.

    بعضی از گونه­های فاخته­ ها مهاجرت­ های فصلی و یا مقطعی دارند و بعضی دیگر غیر مهاجرند. روندی که وجو دارد اینست که جوجه­های فاخته زودتر از تخم­های پرنده­ی میزبان از تخم بیرون آمده و سریع­تر نیز رشد می­کنند. در این بین جوجه­ی فاخته، تخم­ها و یا حتی جوجه­های میزبان را از لانه به بیرون پرت می­کنند که این مسئله غریزی بوده و جوجه فاخته­ها فرصتی برای یادگیری این رفتار را ندارند. از سویی جوجه­ی فاخته پرنده­ی میزبان را وادار می­کند تا متناسب با رشد وی برایش غذا تهیه کند. او زود زود طلب غذا کرده و دهان خود را به نشانه­ی گرسنگی باز می­کند.

    Abstract

    Dynamic environments are the environments which allocate the potentiality of changes over time to themselves. These changes can occur in different ways for instance changes in parameters, objective functions or constraints of the problem. In this regard, a comprehensive domain of different sciences such as management, economics, computer, mathematics and so on is facing with these changes which are theoritically and practically posed in the real world. Accordingly, problem-solving in dynamic environments, which are known as solving dynamic optimization problems, have been raised since a few decades ago. The most important challenge in solving these kinds of problems is related to its compatibility with the newly changed environment. Therefore, there is a need to track and follow up the new optimum (optima) in the problem space. In order to meet this challenge, the researchers intended to benefit from applying the evolutionary algorithms inspired by the principle of evolutionary processes and adding a set of special mechanisms. These problems will encounter with another challenge of finding the optimum (optima) as accurately as possible. To this end, the algorithms with high convergence speed and local search ability should be used as much as possible. Cuckoo Optimization Algorithm (COA) is one of the evolutionary algorithms which has demonstrated its high convergence speed and local search ability in static environments. However, the use of this algorithm in dynamic environments has not been examined yet. Thus, this research aims to represent a new version of this algorithm which can be applied in dynamic environments. In order to accomplish this goal, firstly some changes have been made on the basic structure of standard algorithm. In addition, a self-adaptive mechanism on the cuckoos` Egg Laying Radius is exploited to increase the convergence speed and the local search ability. Then, in order to track the optimum (optima) after the environmental changes, a multi-swarm algorithm, a mechanism of creating free swarm and exclusion mechanism have been applied. Also, to meet the challenges of diversity loss and invalid memory in the converged swarms, the cuckoos of each swarm are distributed in a radius (determined according to the shift length parameter) around the best cuckoo of that swarm and then are evaluated. In non-convergent swarms, only the fitness value of the cuckoos’ position of that swarm will be re-evaluated. Deactivation mechanism is another mechanism that is applied to enhance the performance of algorithm in dynamic environments. Finally, the obtained results indicate that the proposed algorithm works efficiently in comparison with most other algorithms.

     

    Key words: Dynamic Optimization Problems, Evolutionary Algorithms and Cuckoo Optimization Algorithm

     

     

  • فهرست:

    فصل اول: مقدمه

    1

    فصل دوم: شرح مسئله

    4

     

    2-1 محیط­های پویا و مسائل بهینه­سازی پویا

    5

     

    2-2 تغییرات پیوسته و ناپیوسته

    5

     

    2-3 تغییرات سراسری و مقطعی

    6

     

    2-4 اهدف

    6

     

    2-5 خلاصه­ی فصل

    6

    فصل سوم: مفاهیم پایه‌ای

    7

     

    3-1 الگوریتم بهینه­سازی فاخته

    8

     

     

    3-1-1 روش زندگی و تخم­گذاری فاخته­ها

    8

     

     

    3-1-2 جزئیات الگوریتم بهینه­سازی فاخته

    9

     

    3-2 تابع محک قله­های متحرک

    12

     

    3-3 معیار کارآیی

    13

     

    3-4 خلاصه­ی فصل

    14

    فصل چهارم: راه‌کارهای پیشین

    15

     

    4-1 ایجاد تنوع

    16

     

     

    4-1-1 اعمال مهاجران تصادفی، مهاجران بر پایه­ی نخبه و ابر جهش به راه اندازی شده در الگوریتم ژنتیک در محیط پویا

    16

     

     

    4-1-2 به کارگیری الگوریتم ممتیک بر اساس جستجوی محلی تپه­نوردی در محیط پویا

    18

     

     

    4-1-3 استفاده از الگوریتم ایمنی مصنوعی بر پایه­ی خودکار یادگیرنده در محیط پویا

    19

     

     

    4-1-4 اعمال مکانیزم خود-سازگار در نرخ جابجایی روی الگوریتم­های تکاملی در محیط پویا

    21

     

     

    4-1-5 چگونگی به کارگیری خودکار سلولی در الگوریتم­های تکاملی در محیط­های پویا

    22

     

    4-2 به کارگیری حافظه

    24

     

     

    4-2-1 حافظه­ی ضمنی

    24

     

     

    4-2-2 حافظه­ی صریح

    24

     

    4-3 روش چند-جمعیتی بودن

    27

     

     

    4-3-1 به کارگیری الگوریتم بهینه­سازی چند-جمعیتی ذرات سریع درمحیط پویا

    28

    فهرست مطالب

    عنوان

    صفحه

     

     

    4-3-2 الگوریتم بهینه­سازی تجمعی ذرات با رویکرد افزودن گروه فرزند در محیط پویا

    30

     

     

    4-3-3 به کارگیری الگوریتم بهینه­سازی تجمعی ذرات با رویکرد وزن تطبیقی و خوشه­بندی  فازی در محیط پویا

    31

     

     

    4-3-4 به کارگیری الگوریتم گروه ماهی‌های مصنوعی با رویکرد چند-جمعیتی در محیط پویا

    32

     

     

    4-3-5 به کارگیری الگوریتم کرم شب­تاب با رویکرد ایجاد گروه در محیط پویا

    36

     

    4-4 خلاصه­ی فصل

    40

    فصل پنجم: راه­کار پیشنهادی و ارزیابی نتایج

    42

     

    5-1 الگوریتم MCOA

    43

     

     

    5-1-1 مکانیزم خود-تطبیقی شعاع تخم­گذاری

    44

     

    5-2 الگوریتم پیشنهادی MMCOA جهت بهینه­سازی در محیط­های پویا

    46

     

     

    5-2-1 بررسی هم­گرایی دسته­ها

    46

     

     

    5-2-2 مکانیزم انحصار

    47

     

     

    5-2-3 کشف تغییرات محیط

    48

     

     

    5-2-4 رفع مشکل حافظه­ی نامعتبر و تنوع از دست رفته

    48

     

     

    5-2-5 مکانیزم غیرفعال­سازی

    49

     

    5-3 تحلیل و ارزیابی نتایج

    50

     

     

    5-3-1 تحلیل نتایج الگوریتم MMCOA در فرکانس تغییرات و تعداد قله­های مختلف و مقایسه با دیگر الگوریتم­ها

    50

     

     

    5-3-2 تحلیل نتایج الگوریتم MMCOA در طول گام حرکتی مختلف قله­ها و مقایسه با دیگر الگوریتم­ها

    75

     

     

    5-3-3 تحلیل نتایج الگوریتم MMCOA با تعداد ابعاد مختلف مسئله و مقایسه با دیگر الگوریتم­ها

    77

     

    5-4 جمع­بندی نتایج

    79

     

    5-5 خلاصه­ی فصل

    80

    فصل ششم: نتیجه‌گیری و راه­کارهای آتی

    82

     

    6-1 نتیجه‌گیری

    83

     

    6-2 راه‌کارهای آتی

    84

    مراجع

    85

    واژه­نامه

    89

     

    منبع:

     

    [1]Cruz, C., Gonza´lez, J.R. and  Pelta, D.A., "Optimization In Dynamic Environments: A Survey On Problems, Methods And Measures," Journal Soft Computing-A Fusion of Foundations, Methodologies and  Applications, Vol. 15, pp. 1427-1448, 2011.

    [2]Zaharie, D., Zamfirache, F., "Diversity Enhancing Mechanisms For Evolutionary Optimization In Static And Dynamic Environments," Proc. of 3rd Romanian-Hungarian Joint Symposium on Applied Computational Intelligence, pp. 460-471, 2006.

    [3]Yazdani, D., Nasiri, B., Sepas-Moghaddam, A., Meybodi, M.R., "A Novel Multi-Swarm Algorithm For Optimization In Dynamic Environments Based On Particle Swarm Optimization," Applied Soft Computing, Vol.13, pp. 2144- 2158, 2013.

    [4]Rajabioun, R., Cuckoo Optimization Algorithm, Applied Soft Computing, Vol. 11, pp. 5508-5518, 2011.

    [5]Li, C., Particle Swarm Optimization In Stationary And Dynamic Environments, Doctor of Philosophy Thesis, University of Leicester, 2010.

    [6]NGUYEN, T.T., Continuous Dynamic Optimisation Using Evolutionary Algorithm, Doctor of Philosophy Thesis, University of  Birmingham, 2010.

    [7]Cobb, H. G., Grefenstette, J. J., "Genetic Algorithms For Tracking Changing Environments," Proceedings of the Fifth International Conference on Genetic   Algorithms, pp. 523-530, 1993.

    [8]Yang, S., "Genetic Algorithms With Elitism-Based Immigrants For Changing Optimization Problems," Applications of Evolutionary Computing, Vol. 4448, pp. 627-636, 2007.

    [9]Wang, H., , D. and Yang, S., "A Memetic Algorithm With Adaptive Hill Climbing Strategy For Dynamic Optimization Problems," Soft Computing - A Fusion of Foundations, Methodologies and Applications - Special Issue on Emerging Trends in Soft Computing - Memetic Algorithms, Vol. 13, pp. 763-780, 2009.

    [10]Rezvanian, A., Meybodi, M. R., "Tracking Extrema In Dynamic Environments Using A Learning Automata-Based Immune Algorithm," Grid and Distributed Computing, Control and Automation, Vol. 121, pp. 216-225, 2010.

    [11]Xin, Y., Ke, T. and  Xin, Y., "Immigrant Schemes For Evolutionary Algorithms In Dynamic Environments: Adapting The Replacement Rate," Science in China Series F - Information Sciences, Vol. II, pp. 543-552, 2011.

    [12]Baktash, N., Mahmoudi, F. andMeybodi, M. R., "Cellular PSO-ABC: A New Hybrid Model For Dynamic Environment," International Journal of Computer Theory and Engineering, Vol. 4, No. 3, pp. 365-368, 2012.

    کیان­فر، س. و میبدی، م. ر.، «الگوریتم کلونی مورچه سلولی،» هفدهمین کنفرانس ملی سالانه انجمن کامپیوتر ایران، 1390.           

    [14]Hashemi, A. B., Meybodi, M. R., "Cellular PSO: A PSO For Dynamic Environments," ISICA '09 Proceedings of the 4th International Symposium on Advances in Computation and Intelligence, pp. 422-433, 2009.

    [15]Yang, S., "Explicit Memory Schemes For Evolutionary Algorithms In DynamicEnvironments," Evolutionary Computation in Dynamic and Uncertain Environments, pp. 3-28, 2007.

    [16]Li, C., Yang, S., "Fast Multi-Swarm Optimization For Dynamic Optimization Problems," Natural Computation, ICNC '08. Fourth International Conference, Vol. 7, pp. 624-628, 2008.

    [17]Li, C., Yang, S., "An Island Based Hybrid Evolutionary Algorithm For Optimization," Simulated Evolution and Learning, pp. 180-189, 2008.

    [18]

    [19]V, 2006.

    [20]Pant, M., Thangaraj, R. and  Abraham, A., "A New Quantum Behaved Particle Swarm Optimization," GECCO '08 Proceedings of the 10th annual conference on Genetic and evolutionary computation, pp. 87-94, 2008.

    [21]Rezazadeh, I. Meybodi, M. R. and Naebi, A., "Adaptive Particle Swarm Optimization Algorithm For Dynamic Environments," ICSI'11 Proceedings of the Second international conference on Advances in swarm intelligence, Vol. I, pp. 120-129, 2011.

    [22]Yazdani, D., Akbarzadeh-Totonchi, M. R., Nasiri, B. and Meybodi, M. R., "A New Artificial Fish Swarm Algorithm For Dynamic Optimization Problems," Evolutionary Computation (CEC), IEEE Congress on, pp. 1-8, 2012.

    [23]Nasiri, B., Meybodi, M. R., "Speciation Based Firefly Algorithm For Optimization In Dynamic Environments," International Journal of Artificial Intelligence, Vol. 8,  pp. 118-132, 2012.

    [24]Blackwell, T., Branke, J., Li, X., "Particle Swarms For Dynamic Optimization Problems," Swarm Intelligence: Introduction and Applications, pp. 193–217, 2008.

    [25]Kamosi, M., Hashemi, A. B. and Meybodi, M. R., "A Hibernating Multi-Swarm Optimization Algorithm For Dynamic Environments," Proceedings of World Congress on Nature and Biologically Inspired Computing (NaBIC2010), pp. 370–376, 2010.

    [26]Changhe, L., Yang, S., "Fast Multi-Swarm Optimization For Dynamic Optimization Problems," 4th International Conference on Natural Computation, pp.  624–628, 2008.

    [27]Hu, X., Eberhart, R. C., "Adaptive Particle Swarm Optimization: Detection And Response To Dynamic Systems," IEEE Congress on Evolutionary Computation, CEC2002, pp. 1666–1670, 2002.

    [28]Du, W., Li, B., "Multi-Strategy Ensemble Particle Swarm Optimization For Dynamic Optimization," Information Sciences 178, Vol 178, pp. 3096–3109, 2008.

    [29]Bird, S., Li, X., "Using Regression To Improve Local Convergence," IEEE Congress on Evolutionary Computation, CEC 2007, pp. 592–599, 2007.

    [30]Liu, L., Yang, S. and Wang, D., "Particle Swarm Optimization With Composite Particles In Dynamic Environments," IEEE Transactions on Systems, Man, and Cybernetics, Part B: Cybernetics 40, pp. 1634–1648, 2010.

    [31]Lung, R. I., Dumitrescu, D., "A Collaborative Model For Tracking Optima In Dynamic Environments," IEEE Congress on Evolutionary Computation, pp. 564–567, 2007.

    [32]Lung, R. I., Dumitrescu, D., "Evolutionary Swarm Cooperative Optimization In Dynamic Environments," Natural Computing 9, Vol 9, pp. 83–94, 2010.

    [33]Woldesenbet, Y. G., Yen, G. G., "Dynamic Evolutionary Algorithm With Variable Relocation," IEEE Transactions on Evolutionary Computation 13, pp. 500–513, 2009.

    [34]Noroozi, N., Hashemi, A. B., Meybodi, M. R., "CellularDE: A Cellular Based Differential Evolution For Dynamic Optimization Problems," Adaptive and Natural Computing Algorithms, Vol 1, pp. 340–349, 2011.

    [35]Plessis, M. C., Engelbrecht, A. P., "Differential Evolution For Dynamic Environments With Unknown Numbers Of Optima," Journal of Global Optimization, Vol 55, pp. 73-99, 2013.


تحقیق در مورد پایان نامه تغییر الگوریتم بهینه سازی فاخته جهت استفاده در محیط های پویا, مقاله در مورد پایان نامه تغییر الگوریتم بهینه سازی فاخته جهت استفاده در محیط های پویا, پروژه دانشجویی در مورد پایان نامه تغییر الگوریتم بهینه سازی فاخته جهت استفاده در محیط های پویا, پروپوزال در مورد پایان نامه تغییر الگوریتم بهینه سازی فاخته جهت استفاده در محیط های پویا, تز دکترا در مورد پایان نامه تغییر الگوریتم بهینه سازی فاخته جهت استفاده در محیط های پویا, تحقیقات دانشجویی درباره پایان نامه تغییر الگوریتم بهینه سازی فاخته جهت استفاده در محیط های پویا, مقالات دانشجویی درباره پایان نامه تغییر الگوریتم بهینه سازی فاخته جهت استفاده در محیط های پویا, پروژه درباره پایان نامه تغییر الگوریتم بهینه سازی فاخته جهت استفاده در محیط های پویا, گزارش سمینار در مورد پایان نامه تغییر الگوریتم بهینه سازی فاخته جهت استفاده در محیط های پویا, پروژه دانشجویی در مورد پایان نامه تغییر الگوریتم بهینه سازی فاخته جهت استفاده در محیط های پویا, تحقیق دانش آموزی در مورد پایان نامه تغییر الگوریتم بهینه سازی فاخته جهت استفاده در محیط های پویا, مقاله دانش آموزی در مورد پایان نامه تغییر الگوریتم بهینه سازی فاخته جهت استفاده در محیط های پویا, رساله دکترا در مورد پایان نامه تغییر الگوریتم بهینه سازی فاخته جهت استفاده در محیط های پویا

پایان نامه جهت اخذ درجه کارشناسی ارشد M.Sc رشته سنجش از دور و سیستم اطلاعات جغرافیایی- منابع آب و خاک چکیده ازجمله مسائل مهم در مدیریت بحران حوادث غیرمترقبه طبیعی به ویژه زلزله، مکان یابی بهینه به منظور اسکان شهروندان در هنگام و یا پس از بروز حادثه می‌باشد. یکی از مشکلات بزرگ سازمان‌های درگیر در مدیریت بحران شهری، فقدان یک مدل مکانی جامع به منظور اعمال مدیریت واحد در انتقال ...

مهندسی مکانیک (گرایش تبدیل انرژی چکیده بررسی معایب شبکه های آبرسانی شهری (بعنوان نمونه شبکه ی آب لنگرود) و بهینه سازی و طراحی شبکه ی بهینه برای یک منطقه ی خاص با استفاده از الگوریتم جفت یابی زنبور های عسل HBMO با توجه به بحران جهانی آب، امروزه رویکردی ویژه به طراحی و استفاده ی بهینه از شبکه های آبرسانی در سرتاسر کره خاکی پدید آمده است. این نگرش بویژه در کشورهای در حال توسعه ...

پایان نامه کارشناسی ارشد رشته مهندسی مکاترونیک مقدمه پیشرفت­های اخیر در تولید منعطف و تکنولوژی اطلاعات این امکان را فراهم کرده است که سیستم­های تولیدی بتوانند با هزینه پایین­تر طیف وسیع­تری از محصولات یا خدمات را ارائه نمایند. به­علاوه افزایش رقابت در سطح جهانی منجر به رویارویی صنایع با رویکرد افزایش ارزش مشتری در ارائه محصول یا خدمات شده است. بنابراین لزوم درنظر گرفتن نیازهای ...

پایان نامه به عنوان یکی از الزامات جهت دریافت درجه کارشناسی ارشد چکیده: پیش‌بینی سری‌های زمانی یکی از شاخه های علم آمار و احتمال است که در سایر رشته‌ها مانند اقتصاد، مهندسی ارتباطات، هواشناسی، مدیریت و بازاریابی کاربرد فراوانی دارد. دامنه کاربرد پیش‌بینی سری‌های زمانی روزبه‌روز گسترده‌تر شده و نیاز دانش‌پژوهان در این زمینه افزون‌تر می‌گردد. سری‌های‌ زمانی آشوبی، زیرمجموعه‌ای از ...

پایان نامه دریافت درجه کارشناسی ارشد ( M.S ) گرایش برق قدرت چکیده با گسترش روزافزون مصرف انرژی در جهان، توسعه شبکه های قدرت امری ضروریست. اما ایجاد خطوط انتقال جدید، مستلزم صرف زمان وهزینه های گزاف بوده ولذا درصورت امکان استفاده ازهمان خطوط با ظرفیت انتقال بالاتر بسیار مقرون به صرفه می باشد. امروزه سیستم شبکه های قدرت با مشکلاتی از قبیل ناپایداری ولتاژ با ریسک بالا و تلفات توان ...

پایان نامه دریافت درجه کارشناسی ارشد ( M.S ) گرایش برق قدرت چکیده با گسترش روزافزون مصرف انرژی در جهان، توسعه شبکه های قدرت امری ضروریست. اما ایجاد خطوط انتقال جدید، مستلزم صرف زمان وهزینه های گزاف بوده ولذا درصورت امکان استفاده ازهمان خطوط با ظرفیت انتقال بالاتر بسیار مقرون به صرفه می باشد. امروزه سیستم شبکه های قدرت با مشکلاتی از قبیل ناپایداری ولتاژ با ریسک بالا و تلفات توان ...

پایان نامه کارشناسی ارشد رشته: مهندسی کامپیوتر گرایش: نرم‌افزار چکیده گرانبار شدن اطلاعات یک مشکل عمده در وب کنونی به شمار می­رود. برای مقابله با این مشکل، سیستم‌های شخصی­سازی وب ارائه شده­اند که محتوا و سرویس­های یک وب­سایت را با افراد براساس علایق و رفتار گردشی آن­ها سازگار می­کنند. یک مؤلفه­ی اساسی در هر سیستم شخصی­سازی وب، مدل کاربر آن است. هدف از شخصی سازی وب، مهیا ساختن ...

دریافت درجه‌ی کارشناسی ارشد در رشته مهندسی برق گرایش الکترونیک چکیده مکانیزه کردن ادوات، یکی از مهم ترین و گسترده‌ترین زمینه‌هایی است که در فرآیندهای تولید استفاده می‌شود. با توجه به پیچیدگی و عدم اطمینان از فرآیندهای ماشین‌کاری، اخیراً تکنیک‌های محاسبات نرم[1] مبتنی بر مدل‌های فیزیکی برای پیش‌بینی عملکرد ماشینکاری فرآیندها و بهینه سازی آنها به روش‌های متداول ترجیح داده شده‌اند. ...

پایان نامه کارشناسی ارشد رشته مهندسی مکاترونیک مقدمه پیشرفت­های اخیر در تولید منعطف و تکنولوژی اطلاعات این امکان را فراهم کرده است که سیستم­های تولیدی بتوانند با هزینه پایین­تر طیف وسیع­تری از محصولات یا خدمات را ارائه نمایند. به­علاوه افزایش رقابت در سطح جهانی منجر به رویارویی صنایع با رویکرد افزایش ارزش مشتری در ارائه محصول یا خدمات شده است. بنابراین لزوم درنظر گرفتن نیازهای ...

سمینار برای دریافت درجه‌ی کارشناسی ارشد در رشته مهندسی برق گرایش الکترونیک چکیده مکانیزه کردن ادوات، یکی از مهم ترین و گسترده‌ترین زمینه‌هایی است که در فرآیندهای تولید استفاده می‌شود. با توجه به پیچیدگی و عدم اطمینان از فرآیندهای ماشین‌کاری، اخیراً تکنیک‌های محاسبات نرم[1] مبتنی بر مدل‌های فیزیکی برای پیش‌بینی عملکرد ماشینکاری فرآیندها و بهینه سازی آنها به روش‌های متداول ترجیح ...

ثبت سفارش