|
Title
|
بهبود قابلیت اکتشاف و بهره برداری الگوریتم خفاش با استفاده از یادگیری تقویتی (RL) در حل مسائل مسیریابی
|
|
Type of Research
|
Thesis
|
|
Keywords
|
الگوریتم های تکاملی، الگوریتم خفاش، مسیریابی بهینه، بهبود اکتشاف، یادگیری تقویتی
|
|
Abstract
|
مسائل مسیریابی در سال های اخیر به یکی از مهم ترین چالش های حوزه های حمل ونقل هوشمند، لجستیک، شبکه های توزیع و سیستم های تصمیم یار تبدیل شده اند. با افزایش پیچیدگی شبکه ها، رشد داده های بلادرنگ و نیاز به تصمیم گیری سریع، روش های کلاسیک و حتی بسیاری از الگوریتم های فراابتکاری سنتی، کارایی خود را از دست داده اند. در چنین شرایطی، اهمیت توسعه الگوریتم هایی که علاوه بر اِعمال اکتشاف کارآمد قادر به بهره برداری هوشمند و سازگار باشند، بیش از پیش احساس می شود. الگوریتم خفاش با وجود محبوبیت گسترده، همچنان یکی از الگوریتم هایی است که در ساختار خود فاقد سازوکار یادگیری پویا است. نسخه کلاسیک الگوریتم خفاش مبتنی بر قوانین رفتاری ثابت است و تغییرات پارامترهای کلیدی مانند شدت صدا، نرخ پالس و فرکانس، براساس روابط خطی و غیرهوشمند انجام می شود. این ضعف ذاتی باعث می شود که الگوریتم خفاش در مسائل پیچیده و پویا، دچار افت شدید تنوع جمعیت و همگرایی زودرس شود. مطالعات مروری و تحلیلی جدید مانند پژوهش های گاندومی، دوریگو و همکاران نشان می دهند که الگوریتم هایی مانند الگوریتم بهینه سازی خفاش بدون یک سازوکار یادگیری، توانایی سازگاری با محیط های پویا را ندارند.
|
|
Researchers
|
(Student)، Alireza Rouhi (Primary Advisor)، Einollah Pira (Advisor)
|