|
Title
|
ارائه یک الگوریتم بهینه سازی فرا اکتشافی جدید با الهام از مفاهیم شبکه های اجتماعی
|
|
Type of Research
|
Thesis
|
|
Keywords
|
الگوریتم بهینه سازی، الگوریتم متاهیوریستیک، بهینه سازی، شبکه اجتماعی
|
|
Abstract
|
امروزه الگوریتم های بهینه سازی در بسیاری از زمینه ها مثل علوم کامپیوتر، صنعت، کشاورزی، پیش بینی، دارو و زیست شناسی، برنامه ریزی، اقتصاد، و مهندسی مورد استفاده قرار گرفته اند [1]. به منظور چنین کاربردهایی، بسیاری از رویکرد بهینه سازی کلاسیک و فرا اکتشافی ارائه شده اند. در مورد عدم توانایی روش های کلاسیک برای دستیابی به یک راه حل بهینه در یک زمان قابل قبول بحث و جدل زیادی وجود دارد. از طرف دیگر، روش های فرا اکتشافی به دلیل سادگی، انعطاف پذیری، مکانیسم عدم نیاز به مشتق گیری و جلوگیری از بهینه های محلی، به طور چشم گیری در حل مشکلات بهینه سازی محبوب شده اند [6]. روش های فرا اکتشافی را می توان به دو روش تک راه حل و چند راه حل تقسیم کرد. در دسته اول، روش جستجو با یک راه حل آغاز می شود. این راه حل نامزد منحصر به فرد در تکرارهای بعدی افزایش می یابد. برعکس، روشهای فرا اکتشافی چند راه حل، بهینه سازی را با استفاده از مجموعه ای از راه حل های اولیه تصادفی انجام می دهند. در تکرارهای بعدی جمعیت افزایش می یابد. طبق مطالعات انجام شده، روش های مبتنی بر چندین راه حل از محبوبیت بیشتری نسبت به روشهای تک راه حل برخوردار هستند [7]. با اینحال، علی رغم تعداد زیاد الگوریتم های فرا اکتشافی، این سوال که «چرا روش های بهینه مورد نیاز است؟» ناشی می شود. این قضیه وجود دارد که هیچ روش فرا اکتشافی مناسب برای همه مشکلات بهینه سازی وجود ندارد [8]. از این رو، روش های موجود به طور مداوم افزایش می یابند یا روش های جدید فرا اکتشافی ارائه می شوند. تحقیقات در زمینه روش های فرا اکتشافی روش های موجود را بهبود می بخشد، آن ها را ترکیب می کند یا روش های جدیدی ارائه می دهد. گرچه روش های فرا اکتشافی مختلف از چند تمایز برخوردارند، ولی همه آن ها دارای دو مرحله یکسان در جستجو هستند: اکتشاف و بهره برداری. مرحله اکتشاف به فرآیند جستجوی فضای راه حل در حد امکان، به طور تصادفی و سراسری اشاره دارد. مرحله بهره برداری به صلاحیت الگوریتم برای جستجوی دقیق تر در منطقه به دست آمده توسط مرحله اکتشاف اشاره دارد و با افزایش دقت، تصادفی بودن آن کاهش می یابد. چالش دیگر این است که ایجاد تعادل میان این دو لزوماً برای مسائل مختلف یکسان نیست. بنابراین، دستیابی به تعادل مناسب بین دو فاز مذکور که برای همه مسائل بهینه سازی کارآمد باشد، نسبتا
|
|
Researchers
|
(Student)، Mahdi Hashemzadeh (Primary Advisor)، شهین پوربهرامی (Advisor)
|