الگوریتم زنبور عسل

//الگوریتم زنبور عسل

الگوریتم زنبور عسل

بهینه­یابی[1] ، فرایند یافتن و مقایسه جواب­های موجه مربوط به مقادیر بحرانی یک یا چند تابع هدف[2] ایستا یا پویا می­باشد، تا آنجا که جواب بهتری یافت نشود ولیکن بیشتر مسائل دنیای واقعی پویا می­باشند به این مفهوم که موقعیت بهینه سراسری و مقدار آن ممکن است در طول زمان تغییر کند. مسائل بهینه­یابی دنیای واقعی مثل طراحی ساختارها برای هواپیما و سفینه فضایی با کمترین وزن، طراحی مدارات VLSI، طراحی شبکه­های ارتباطی، طراحی ساختمان با کمترین وزن با مقاومت در مقابل زمین لرزه و باد و غیره با تکنیک­های متفاوتی حل شده­اند همانطور که روش­های سنتی در تحقیقات انجام شده جای خود را به روش­های جدید دادند، روش های فرااکتشافی توسعه یافتند. در میان این روش­ها انواع روش­های فرااکتشافی وجود دارد که بر مبنای رفتار اجتماعی حیوانات و حشرات خاص پایه­گذاری شده است. امروزه سیستم­های طبیعی مختلف به ما یاد می­دهند که یک سری از ارگانیسم­های ساده خارجی به کمک برهم کنش­های پویا قابلیت تولید سیستم­هایی با توانایی انجام اعمال بسیار پیچیده را دارند. برای نمونه کلونی حشرات اجتماعی ضمن انعطاف­پذیری زیاد بخوبی قابلیت همساز شدن با محیط جدید را دارند این انعطاف­پذیری این امکان را به کلونی می­دهد تا بتواند حتی با مواجه شدن با شرایط سخت و مشکلات به زندگی خود ادامه دهد. پویاگرایی کلونی حشرات، نتیجه عملکردها و تعامل­ها بین حشرات با یکدیگر و با محیط اطراف است. تعامل بین حشرات براساس یکسری عوامل فیزیکی و شیمیایی امکان پذیر شده است و محصول نهایی این تعامل­ها و عملکردها، رفتار اجتماعی محسوب می­شود. سیستم­های ارتباطی بین حشره­های مختلف موجب به وجود آمدن مقوله­ای بنام هوش جمعی[3] می­شود. به این معنی که حشرات به هنگام قرار گرفتن در کنار یکدیگر دارای فاکتوری هوشمند می­شوند که در غیاب، فاقد آن می­باشند. هوش جمعی زیر شاخه­ای از هوش مصنوعی است که بر پایه رفتار جمعی سیستم­های غیرمتمرکز و خودسازمانده بنا شده است. سیستم هوش جمعی از یکسری عوامل ساده ساخته شده که به طور محلی با یکدیگر و نیز با محیط پیرامون بر هم کنش دارند و در آنها ساختار کنترلی متمرکزی وجود ندارد که به هر عامل منفرد دستور دهد که چگونه رفتار کند. برهم کنش محلی بین عوامل با این مشخصات، منجر به حتمی بودن رفتار سراسری می­شود ، نمونه­های طبیعی هوش جمعی شامل کلونی مورچه­ها، دسته­های پرندگان، گله­های حیوانات، دسته­های ماهی­ها و کلونی زنبورها می­باشد. کلونی زنبورها به خاطر استقلال داخلی کلونی و عملکردهای توزیع شده و سیستم درون سازمانی یکی از بهترین کلونی­ها می­باشد که اخیرا رفتار خوراک جویی، یادگیری، بخاطر سپاری و خصوصیت اشتراک اطلاعات آن جزء موضوعات مورد علاقه محققین در هوش جمعی بوده است و بر اساس آن الگوریتم­هایی به منظور حل مسائل محیط­های ایستا ارائه و مورد بررسی قرار گرفته است که می توان آنها را در سه گونه رفتار دسته بندی کرد :

  • رفتارهای  خوراک­جویی [4]
  • رفتارهای ازدواج [5]
  • رفتار ملکه زنبور عسل[6]

این الگوريتم­ها نتايج خوبي به همراه داشته اند ولي بسیاری از مسائل بهینه­یابی دنیای واقعی پویا بوده و به طور تصادفی در طول زمان تغییر می­کنند و نیاز امروز ایجاد راهکارهایی است که پاسخگوی مسائل بهینه­یابی در محیط­های پویا باشد و قادر باشد که در هر بار تغییر به بهینه همگرا شود. مشکل اصلی اکثر الگوریتم­ها در محیط­های پویا این هست که سرانجام به یک بهینه همگرا می­شوند و بنابراین تنوع لازم را برای اکتشاف به صورت کارا از دست می­دهند. از این­رو هنگامی که جمعیت همگرا شد، توانایی آن برای وفق­پذیری با تغییرات محیط را از دست می­دهد به این دلیل برای حل مسائل پویا به هیوریستیک­های[7] قدرتمند نیاز داریم که می توان آن را در رفتارهای کلونی زنبور مشاهده کرد.

در این پایان­نامه هدف اصلی طراحي الگوريتم­هاي بهينه­یابي مبتني بر كلوني زنبورها براي حل مسائل محيط­هاي پويا مي­باشد. برای نیل به این منظور موارد زير انجام مي­گيرد.

  • طراحي الگوريتم بهينه­یابی كلوني زنبورهای مصنوعی براي محيط­هاي پويا
  • طراحي الگوريتم بهينه­یابی کلونی زنبورهای مصنوعی سلولی براي محيط­هاي پويا
  • طراحي الگوريتم بهينه­یابی ترکیبی مبتني بر الگوریتم كلوني زنبورهای مصنوعی و زنبور براي محيط­هاي پويا
  • طراحي يك الگوريتم بهينه­یابی مبتني بر رفتار ازدواج زنبورها براي محيط­هاي پويا
  • طراحي يك الگوريتم بهينه­یابی مبتني بر رفتار ملکه زنبور عسل براي محيط­هاي پويا
  • طراحي الگوریتم­های رفتار خوراک­جویی زنبور مبتنی بر حافظه و چند کلونی برای محیط­های پویا

الگوریتم­های طراحی شده بر پایه رفتارهای کلونی زنبور برای محیط­های پویا با الگوریتم­های تکاملی با حافظه در محیط­های پویا از جمله کمترین فاصله[8]، بیشترین واریانس[9]، روشهای چندجمعیتی[10] و مهاجرهای تصادفی[11]  و روشهای مبتنی بر حرکت دسته جمعی ذرات و انواع مختلف آن، به کمک فاکتورهای همگرایی مثل بهترین در هر نسل، متوسط بهترین مقادیر یافت شده در هر نسل[12] و متوسط فاصله بهترین مقادیر یافت شده با جواب ایده­ال در هر نسل [13] مورد مقایسه قرار خواهندگرفت. بدین منظور از مسائل محک همچون مسئله قله­های متحرک و مسئله قله­های در حال نوسان برای ارزیابی استفاده خواهد شد و از جمله کاربردهای الگوریتم­های طراحی شده می­توان به حل مسئله کوله پشتی در حال تغییر در طول زمان[14] و زمانبندی کار[15] در محیط پویا  اشاره نمود ضمناً کلیه پیاده­سازی­ها بوسیله نرم افزار matlab انجام شده.

در ادامه اين فصل، مفهوم بهینه­یابی، بهینه­یابی در محیط­های پویا، ويژگيهاي محيط­هاي پويا، تکنیک­های بهینه­یابی و ساير انواع آن معرفي شده است بخش بعدی به معرفی هوش جمعی،  مقدماتی از رفتارهای کلونی زنبور ، ایده های انجام شده در محیط­های ایستا، الگوریتم­های تکاملی و روشهای مناسب­سازی آن برای محیط­های پویا در گذشته انجام شده اختصاص داده شده است. در بخش‌هاي پاياني اين فصل نيز، مسائلي که در فصل‌هاي آينده حل شده‌اند و و نحوه ارزیابی کارایی و خطا مورد استفاده در فصول آينده توضيح داده شده‌ است.



[1] Optimization

[2]Objective function

[3] Swarm Intelligence

[4] Foraging behaviours

[5] Marriage behaviours

[6] Queen bee concept

[7] Heuristics

[8] Minimum distance

[9] Maximum variance

[10] Multi population

[11] random immigrants

[12] Offline performance

[13]Offline error

[14]Time varying knapsack

[15] job shop scheduling problem

۱۳۹۲-۷-۲۷ ۲۳:۳۹:۱۴ +۰۳:۳۰مهر ۲۷ام, ۱۳۹۲|متلب دسته بندی ها|۱ ديدگاه

يك ديدگاه

  1. majid آذر ۲۸, ۱۳۹۳ در ۱۰:۴۸ ب.ظ - پاسخ دادن

    با سلام.من پایان نامه ای که با عنوان الگوریتم کلونی زنبور برای حل مسائل پویا در وبسایتتان قرار داده اید را ترجیحا همراه با پیاده سازی آن درخواست مینمایم.لطفا در صورت امکان پاسخ دهید.با تشکر.

ثبت ديدگاه

پرداخت

1-پرداخت آنلاین
برای پرداخت آنلاین از لینک زیر استفاده کنید
پرداخت آنلاین
2- پرداخت آفلاین
برای پرداخت آفلاین مبلغ مورد نظر را به یکی از شماره کارت
6037997245888723بانک ملی