|
Title
|
بهبود الگوریتم بهینه سازی غزال با استفاده از یادگیری مبتنی بر مقابل و جستجوی محلی آشفته برای حل کارآمد مسائل بهینه سازی
|
|
Type of Research
|
Thesis
|
|
Keywords
|
روش های فراابتکاری، الگوریتم بهینه سازی غزال، یادگیری مبتنی بر مقابل، جستجوی محلی آشفته، مسائل بهینه سازی
|
|
Abstract
|
همان طور که جهان به سمت صنعتی شدن پیش می رود، حل مسائل بهینه سازی در یک زمان معقول چالش برانگیزتر می شود. بیش از 500 الگوریتم فراابتکاری جدید تا به امروز ارائه شده است که بیش از 350 مورد از آن ها در دهه اخیر ظاهر شده اند. با توجه به عدم توانایی الگوریتم های بهینه سازی سنتی و کلاسیک در یافتن راه حل بهینه، به روش های بهینه سازی تصادفی از جمله الگوریتم های فراابتکاری نیاز داریم که بتوانند بدون پیمایش کل فضای جستجو، جواب تقریبی را با سرعت زیادی پیدا کنند. از آنجایی که الگوریتم های فراابتکاری ذاتاً تصادفی هستند، نمی توانند دستیابی به راه حل بهینه را تضمین کنند. ولی زمانی که روش های دیگر شکست می خورند، الگوریتم های فراابتکاری در هر صورت یک راه حل رضایت بخش یا قابل اجرا در زمان معقول به ما می دهند. همین امر سبب شده است به کارگیری الگوریتم های فراابتکاری در رشته های مختلف به طور چشمگیری افزایش پیدا کند. شمار ارجاعاتی که در چند سال اخیر به مقالات موجود در این حوزه شده است، اثباتی بر این ادعاست. به عنوان مثال، می توان به موارد زیر به همراه تعداد ارجاعات تقریبی به آن ها اشاره کرد: (1) الگوریتم تجمعی ذرات (سال 1995، 70000 ارجاع)، (2) الگوریتم بهینه سازی کلونی مورچگان (سال 2006، 15000 ارجاع)، و (3) الگوریتم ژنتیک (سال 1994، 5000 ارجاع). اگرچه تعداد الگوریتم های فراابتکاری بسیار زیاد است، اما همواره معرفی الگوریتم های بهینه سازی فراابتکاری جدید ادامه دارد. دلیل این روند آن است که مطابق با قضیه ی NFL ، هیچ الگوریتم بهینه سازی وجود ندارد که بتواند تمامی مسائل بهینه سازی موجود را حل کند. بنابراین به الگوریتم های بهینه سازی جدیدی نیاز است تا بتوان برای بهینه سازی مسائلی که هنوز راه حل بهینه ای برای آن ها وجود ندارد، استفاده کرد. صرف نظر از تفاوت های بین انواع رویکردهای فراابتکاری ، یک ویژگی مشترک، تقسیم فرآیند جستجو به دو مرحله است: اکتشاف و بهره برداری. مرحله اکتشاف به فرآیند بررسی مناطق امیدبخش فضای جستجو تا حد امکان اشاره دارد. یک الگوریتم برای پشتیبانی از این مرحله باید دارای عملگرهای تصادفی باشد تا به صورت تصادفی و سراسری فضای جستجو را کاوش کند. با این حال، بهره برداری به قابلیت جستجوی محلی در اطراف مناطق امیدوار کننده به دست آمده در مرحله اکتشاف اشاره دارد. یافتن تعادل مناسب بی
|
|
Researchers
|
(Student)، Alireza Rouhi (Primary Advisor)، Einollah Pira (Advisor)
|