×
  • الگوریتم بهینه سازی PSO چند هدفه (MOPSO)

    پديدهPSO، براي اولين بار توسط کندي و ابرهارت در سال 1995 مطرح شد. PSO يک الگوريتم محاسبه اي تکاملي الهام گرفته از طبيعت و براساس تکرار مي‌باشد. منبع الهام اين الگوريتم، رفتار اجتماعي حيوانات، همانند حرکت دسته جمعي پرندگان و ماهي‌ها بود. از اين جهت که PSO نيز با يک ماتريس جمعيت تصادفي اوليه، شروع مي‌شود، شبيه بسیاری دیگر از الگوریتم های تکاملی همچون الگوريتم ژنتيک پيوسته است. برخلاف الگوریتم ژنتیک، PSO هيچ عملگر تکاملي همانند جهش و تزويج ندارد. هر عنصر جمعيت، يک ذره ناميده مي‌شود (که همان معادل کروموزوم درGA) است. در واقع الگوريتم PSO از تعداد مشخصي از ذرات تشکيل مي شود که به طور تصادفي، مقدار اوليه مي¬گيرند. براي هر ذره دو مقدار وضعيت و سرعت، تعريف مي شود که به ترتيب با يک بردار مکان و يک بردار سرعت، مدل مي‌شوند.

    الگوریتم بهینه سازی ژنتیک چند هدفه (NSGA-II)

    بنابراین مسئله چند هدفه شامل n متغیر و q شرط و m هدف است که در آن توابع هدف می‌‌توانند خطی یا غیر خطی باشند. تابع ارزیابی F در مسئله چند هدفه، مجموعه را در متغیر تصمیم تصویر می‌‌کند: یعنی SfF در روش‌‌های وزندهی پیش از حل مسئله چند هدفه تبدیل به مسئله ای تک هدفه می‌‌شود. به عبارت دیگر، در این روش برای پیدا کردن جواب‌‌های مؤثر این مسئله چند معیاره:

    الگوریتم رقابت استعماری

    استفاده از الگوریتم رقابت استعماری (Imperialist Competitive Algorithm – ICA) در عین نوپا بودن و تازه بودن آن، همچنان در حال گسترش می باشد. این روزها این، الگوریتم به پایه ثابت پروژه ها و پایان نامه های دوره های مختلف تحصیلی تبدیل شده است. تنوع رشته های مرتبط با این الگوریتم نیز آنچنان بالاست که مقالات متعدد منتشر شده در مورد این الگوریتم، نه تنها نشان از کاربرد آن در رشته های مهندسی (برق، مهندسی صنایع، عمران، مکانیک و …) دارد، بلکه این الگوریتم به بخش اصلی مقالات مهم منتشر شده در اقتصاد، مدیریت و بازرگانی نیز تبدیل شده است. در این میان، در متلب سایت به عنوان مرجع هوش مصنوعی و برنامه نویسی متلب در ایران، درخواست های متعددی از طرف دانشجویان و پژوهشگران دریافت کردیم در مورد انتشار موارد آموزشی بیشتر در مورد این الگوریتم. امروز تصمیم گرفتیم پاسخ به این درخواست را بیش از این به تاخیر نیاندازیم

    الگوریتم بهینه سازی ازدحام ذرات

    روش بهینه‌سازی ازدحام ذرات (Particle swarm optimization) یا به اختصار PSO، یک روش سراسری بهینه‌سازی است که با استفاده از آن می‌توان با مسائلی که جواب آن‌ها یک نقطه یا سطح در فضای n بعدی می‌باشد، برخورد نمود. در اینچنین فضایی، فرضیاتی مطرح می‌شود و یک سرعت ابتدایی به آن‌ها اختصاص داده می‌شود، همچنین کانال‌های ارتباطی بین ذرات در نظر گرفته می‌شود. سپس این ذرات در فضای پاسخ حرکت می‌کنند، و نتایج حاصله بر مبنای یک «ملاک شایستگی» پس از هر بازهٔ زمانی محاسبه می‌شود. با گذشت زمان، ذرات به سمت ذراتی که دارای ملاک شایستگی بالاتری هستند و در گروه ارتباطی یکسانی قرار دارند، شتاب می‌گیرند. علی‌رغم اینکه هر روش در محدوده‌ای از مسائل به خوبی کار می‌کند، این روش در حل مسائل بهینه‌سازی پیوسته موفقیت بسیاری از خود نشان داده‌است.

    الگوریتم بهینه سازی جستجوی هارمونی (Harmony Search)

    هارمونی به معنای هماهنگی، هم صدایی و ترکیب خوش آهنگ صداهایی که به صورت همزمان و در یک لحظه شنیده می شوند، می باشد. به عبارتی دقیق تر هارمونی دانشی است برای چند بخشی (چند صدایی) کردن موسیقی بر پایه خصوصیتها و آکوردها و شایستگی وصلشان به یکدیگر.

    الگوریتم بهینه سازی مبتنی بر جغرافیای زیستی (BBO)

    الگوريتم بهينه سازي مبتني بر جغرافياي زيستي (BBO) از خانواده الگوريتم‌‌هاي تكاملي مي باشد و مشابه آن‌‌ها يك الگوريتم بهينه سازي تصادفي سراسري و مبتني بر جمعيت است كه با يك مجموعه اي از راه حل‌‌هاي كانديد در طول هر نسل كار مي كند و تلاش مي كند فضاهاي راه حل بزرگ را به صورت تركيبي با يك رويكرد تصادفي مانند بسياري از الگوريتم‌‌هاي تكاملي كشف كند. ازمزاياي BBO مي توان ديد سراسري و قابليت استخراج خوب آن را نام برد.

    الگوریتم بهینه سازی کرم شب تاب (Firefly Algorithm)

    الگوریتم کرم شب تاب توسط یانگ ارائه شده است و براساس برقراری ارتباط سراسری میان ذرات عمل می کند، در نتیجه در مسائل بهینه سازی چند هدفی موثرتر می باشد. این الگوریتم که براساس ازدحام نیز می باشد، برای کاربردهای بهینه سازی ارائه شده است، که یک روند تکرار شونده دارد از رفتار تابشی کرم های شب تاب الهام گرفته است.تکنیک بهینه سازی هوشمند، مبتنی بر این فرضیه است که راه حل یک مشکل بهینه سازی را، می توان به عنوان کرم شب تاب در نظر گرفت که به صورت متناسب در یک محیط می تابد.سپس هر کرم شب تاب، کرم های شبیه خود را بدون در نظر گرفتن جنسیتشان، جذب می کند تا بتواند فضای جستجو را به صورت دقیق تری بررسی کند.

    الگوریتم بهینه سازی جستجوی ممنوع (Tabu Search)

    الگوریتمِ جستجوی ممنوعه یک ایده‌ی اصلی دارد. این الگوریتم یک لیست از حرکات یا نقاطِ ممنوعه درست می‌کند تا در جستجوهای بعدی، دیگر آن حرکات را انجام ندهد. با این کار این الگوریتم امید دارد که از بهینه‌ی محلی خارج شده و بتواند به سمت بهینه‌ی سراسری حرکت کند.

    الگوریتم بهینه سازی تبرید

    در الگوریتم شبیه سازی تبرید (یا تبرید شبیه سازی شده) از فرایند بازپخت که از مباحث رشته متالورژی و مواد محسوب می‌شود، الگو گرفته شده است. انتخاب نام شبیه‌سازی تبرید برای این الگوریتم، ریشه در فرایند دارد که از آن تقلید می‌کند. در بهینه‌سازی نیز مانند فرایند انیلینگ، آنچه در بخش پیشین پیرامون بازپخت مواد بیان شد، برای حل مسائل قابل انجام است. یعنی در واقع، جواب‌های یک مساله به خوبی گرم می‌شوند و با نوسانات زیادی تغییر می‌کنند؛ سپس، به تدریج دامنه تغییرات کم می‌شود و در واقع یک سری شیار به سمت جواب بهینه ساخته می‌شوند. الگوریتم شبیه سازی تبرید برای اولین بار در سال ۱۹۸۳، توسط «کریک‌پاتریک» (Kirkpatrick) و همکاران معرفی شد. شایان ذکر است، الگوریتم شبیه سازی تبرید از جمله الگوریتم‌های فراابتکاری (فراتکاملی | فرااکتشافی | Metaheuristic) محسوب می‌شود. در الگوریتم شبیه سازی تبرید، از روش احتمالاتی برای حل مساله بهینه‌سازی استفاده می‌شود.

    الگوریتم تپه نوردی

    تپه‌نوردی یک تکنیک بهینه‌سازی متعلق به خانواده الگوریتم‌های جستجوی محلی است؛ یک تکنیک تکرارشونده که با یک راه‌حل دلخواه شروع به کار کرده و سپس تلاش می‌کند تا با تغییر بر روی یک عنصر از راه حل، به پاسخ بهتری دست پیدا کند. اگر این تغییر منجر به ایجاد یک راه حل بهتر شود، تغییر دیگری بر روی این راه حل جدید انجام خواهد گرفت. این روال تا زمانی که بهبود بیشتری در راه حل میسر نباشد ادامه می‌یابد.

    الگوریتم حریصانه

    روش حریصانه (Greedy) یکی از روش‌های مشهور و پرکاربرد طراحی الگوریتم‌ها است که با ساختاری ساده در حل بسیاری از مسائل استفاده می‌شود. این روش اغلب در حل مسائل بهینه‌سازی استفاده شده و در پاره‌ای مواقع جایگزین مناسبی برای روش‌هایی مانند برنامه‌ریزی پویا است. در حالت کلی این روش سرعت و مرتبه‌ی اجرایی بهتری نسبت به روش‌های مشابه خود دارد؛ اما متناسب با مسئله ممکن است به یک جواب بهینه‌ی سراسری ختم نشود.

    الگوریتم بهینه سازی قطره های آب

    الگوریتم چکه آب های هوشمند یا چکاه (به انگلیسی: Intelligent Water Drops)، یک الگوریتم بهینه‌سازی بر پایه هوش گروهی است. الگوریتم چکه، الگوریتمی است که به گونه گروهی کار می‌کند و الهام گرفته از طبیعت است. این الگوریتم در اصل برای بهینه‌سازی ترکیبیاتی (Combinatorial optimization) به کار برده می‌شود ولی می‌توان آن را برای بهینه‌سازی پیوسته (Continuous optimization) نیز آماده ساخت. این الگوریتم نخستین بار در سال ۲۰۰۷ میلادی، برابر ۱۳۸۶ خورشیدی برای یافتن گشایش و راه حل برای مسأله فروشنده دوره‌گرد پیشنهاد شد. از آن پس، شماری از پژوهشگران در پی بهبود و به کار بستن این الگوریتم برای مشکل‌ها و مسئله‌های گوناگون بوده‌اند.

    الگوریتم بهینه سازی جهش قورباغه

    الگوریتم جهش قورباغه مخلوط شده یا Shuffled Frog Leaping Algorithm (به اختصار SFLA)، یکی از الگوریتم های بهینه سازی فرا ابتکاری است که از رفتار اجتماعی قورباغه ها الهام گرفته شده است، و از نظر طبقه بندی، در میان الگوریتم های رفتاری یا الگوریتم های ممتیک (Memetic Algorithms) قرار می گیرد. از نام های دیگر این الگوریتم که در ایران مصطلح و رایج است، می توان به الگوریتم قورباغه و الگوریتم جهش قورباغه اشاره نمود.

    الگوریتم بهینه سازی گرگ خاکستری

    الگوریتم گرگ خاکستری GWO یک الگوریتم متاهیورستیک است که از ساختار سلسله مراتبی hieratical و رفتار اجتماعی گرگ های خاکستری در هنگام شکار کردن الهام گرفته است. این الگوریتم مبتنی بر جمعیت بوده، فرآیند ساده ای دارد و به سادگی قابلیت تعمیم به مسائل با ابعاد بزرگ را دارد. گرگ های خاکستری به عنوان شکارچیان راس یا apex در نظر گرفته می شوند، که در بالای هرم زنجیره غذایی هستند. گرگهای خاکستری ترجیح می دهند در یک گروه (دسته) زندگی کنند، هر گروه به طور متوسط 5-12 عضو دارد. همه اعضای این گروه دارای سلسله مراتب تسلط اجتماعی بسیار دقیق هستند و وظایف خاصی دارند. در هر گله از گرگ ها برای شکار کردن ۴ درجه وجود دارد که مانند شکل زیر به صورت یک ساختار هرمی مدل می شود.

    الگوریتم بهینه سازی ازدحام گربه های پیشرفته

    در تکنیک بهینه سازی ازدحام گربه ها، دو رفتار اصلی آنها، با دو زیر مدل بنام حالت ردیابی و جستجو مدل شده است. با روشی از ترکیب این دو حالت به نسبت تعریف شده، الگوریتم بهینه سازی ازدحام گربه ها، عملکرد خوبی را از خود نشان می دهد. در این الگوریتم، همانند بهینه سازی ازدحام ذرات، مکان گربه ها گویای یک پاسخ است و این الگوریتم با استفاده از گربه ها و مدل کردن رفتار آنها به حل مسائل بهینه سازی می پردازد. در بهینه سازی ازدحام گربه ها ابتدا تصمیم گرفته می شود که از چند گربه استفاده شود هر گربه دارای موقعیتی است که دارای M بعد می باشد. در کنار این موقعیت هر گربه دارای یک سرعت برای هر بعد و یک مقدار برازندگی است که نشان دهنده میزان برازندگی آن گربه می باشد. این برازندگی توسط تابع برازش بدست می ید همچنین علاوه بر موارد ذکر شده، هر گربه دارای یک نشانه پرچم نیز می باشد که برای شناسائی اینکه گربه در حالت ردیابی و یا در حالت جستجو است، بکار می رود.

    الگوریتم بهینه سازی سنجاقک

    واقعیت جالب در مورد سنجاقک ها رفتار ازدحامی منحصر به فرد و نادر این حشره می باشد. توده سنجاقک ها تنها برای دو هدف شکل می گیرند: شکار و مهاجرت که شکار را توده استاتیک یا تغذیه می نامند و مهاجرت را توده داینامیک یا مهاجر می نامند. در توده ثابت یا استاتیک سنجاقک ها گروه های کوچکی را تشکیل می دهند و در یک ناحیه کوچک به جلو و عقب حرکت می کنند تا سایر حشرات پرنده مانند پروانه ها و پشه ها را شکار کنند. تحرکات محیطی و تغییرات ناگهانی در مسیر پرواز ازمشخصه های اصلی توده ایستا می باشد.در توده های داینامیک تعداد زیادی از سنجاقک¬ها یک توده برای مهاجرت در یک جهت و با مسافت طولانی را شکل می دهند.

    الگوریتم بهینه سازی وال

    الگوریتم بهینه سازی نهنگ یا Whale Optimization Algorithm به اختصار (WOA) یکی از جدیدترین الگوریتم های فراابتکاری به شمار می رود که در سال ۲۰۱۶ ارائه شده است و در حوزه هوش ازدحامی (Swarm Intelligence) جای می گیرد. در این الگوریتم از روش شکار تور حبابی که توسط نهنگ های گوژپشت انجام می شود، الهام گرفته شده است. پس از مرور مفاهیم اولیه بهینه سازی و انواع روش های آن، مبانی تئوری الگوریتم بهینه سازی نهنگ مورد بررسی قرار می گیرد و سپس پیاده سازی آن در محیط نرم افزار متلب برای یک مساله بهینه سازی تک هدفه و پیوسته ارائه می شود.

    الگوریتم بهینه سازی ژنتیک

    لگوریتم‌های ژنتیک (Genetic algorithm) تکنیک جستجو در علم رایانه برای یافتن راه‌حل تقریبی برای بهینه‌سازی مدل، ریاضی و مسائل جستجو است. الگوریتم ژنتیک نوع خاصی از الگوریتم‌های تکاملی است که از تکنیک‌های زیست‌شناسی فرگشتی مانند وراثت، جهش زیست‌شناسی و اصول انتخابی داروین برای یافتن فرمول بهینه جهت پیش‌بینی یا تطبیق الگو استفاده می‌شود.

    الگوریتم بهینه سازی کلونی زنبورعسل

    براساس رفتار زنبورها در طبیعت الگوریتم های زیادی، به وجود امده است.که این الگوریتم ها را می توان در دو دسته قرار داد: دسته اول رفتار کاوشی و دسته دوم رفتار جفتگیری می باشد. الگوریتم مصنوعی کلونی زنبور، رفتار کاوشی زنبورها را شبیه سازی می کند. یک نهاد فردی را اگر مانند یک زنبور در کندوی زنبور در نظر بگیریم یک مجموعه از رفتارها مانند دفاع، مهاجرت و…. دارد ولی یک گروه از نهادها مانند یک کلونی زنبور نشان دهنده رفتار پیشامدی پیچیده ای با ویژگی های مفید مانند مقیاس پذیری و سازگار پذیری است. الگوریتم کلونی مصنوعی زنبور عسل توسط کارابوگا و باستارک پیشنهاد شد و رفتار هوشمندانه ی مجموعه ای از زنبورهای عسل را شبیه سازی می کند. در این الگوریتم، زنبورها شامل زنبورهای کارگر ، تماشاچی و کاوشگر می باشد.

    الگوریتم بهینه سازی کلونی مورچگان

    مورچه‌ها در یک حرکتِ جمعی قادر هستند مسیرِ بهینه از کلونیِ خود به سمت غذا را به دست آورند. آن‌ها بدون داشتن بینایی می‌توانند با استفاده از قدرتِ اجتماعِ خود این مسیر را پیدا کنند. دانشمندان با تحقیق و بررسیِ نحوه‌ی کار مورچه‌ها، توانستند الگوریتمی را شناسایی کنند که می‌تواند با تقریب بسیاری خوبی، چیزی نزدیک به بهینه‌ی سراسری را در یک مسئله‌ی بهینه‌سازی بیابد.

    0