ترجمه الگوریتم بهینه سازی دسته کریل بهینه سازی عددی جهانی

توضیحات

 عنوان فارسی: الگوریتم بهینه سازی دسته کریل بهبود یافته برای بهینه سازی عددی جهانی

عنوان انگلیسی مقاله ترجمه شده:

A new improved krill herd algorithm for global numerical optimization

چکیده

این تحقیق  روش دسته کریل بهبود یافته (IKH) را برای حل مسائل بهینه سازی سراسری ارائه می دهد.بهبود اصلی مربوط به تبادل اطلاعات بین کریل بالا در طی مراحل محاسبات حرکتی برای ایجاد کاندیدهای بهترجواب  است .علاوه بر آن روش IKH پیشنهادی یک توزیع پرواز لوی و طرح نخبه گرایی جدیدرا برای به روز رسانی محاسبات حرکت KHبه کار میبرد.این الگوریتم فرا ابتکاری می تواند سرعت همگرایی سراسری را افزایش دهد در حالی که قدرت  الگوریتم های اصلی KH را نیز دارا می باشد.علاوه بر آن در این روش اجرای روش IKHنیز با جزئیات شرح داده می شود .بعضی از توابع معیار استاندارد برای تحقیق در زمینه کارایی IKH استفاده می شود.بر اساس نتایج ،کارایی IKH  قابل رقابت و برتر از KH استاندارد و دیگر روش های قدرتمند بهینه سازی بر پایه جمعیت است.

مقدمه

در علم کامپیوتر و ریاضیات و علوم محاسباتی فرایند بهینه سازی یافتن خط سیری در یک معادله است که بهترین پاسخ را تولید می کند.تمام مقادیر ممکن پاسخ های موجود هستند و بیشترین مقدار بهترین پاسخ است.به طور کلی الگوریتم های بهینه سازی برای حل مسائل بهینه سازی به کار می روند.یک روش رده بندی ساده برای الگوریتم های بهینه سازی در نظر گرفتن طبیعت الگوریتم ها است.الگوریتم های بهینه سازی به دو دسته عمده تقسیم میشوند:الگوریتم های قطعی و الگوریتم تصادفی .الگوریتم قطعی با استفاده از شیب ها(گرادیان) مثل الگوریتم تپه نوردی دارای حرکت شدیدی است و اگر شروعی تکراری با همان نقاط اولیه شروع داشته باشد دوباره همان دسته پاسخ ها را تولید می کند.به عبارت دیگر الگوریتم قطعی بدون استفاده از گرادیان (شیب)حتی اگر مقادیر اولیه را به صورت تکراری دریافت کند جوابهای متفاوتی را تولید می کند.بنابراین به طور کلی مقادیر نهایی با وجود اختلاف کم همگرایی به سمت پاسخ های بهینه مطابق با دقت داده شده دارد.

اخیرا الگوریتم های فرا هیوریستیک الهام گرفته از طبیعت قدرت و بازده را در حل مسائل عددی غیر خطی بهینه سازی جهانی نمایش داده اند.تا حدی همه الگوریتم های متاهیوریستیک برای ایجاد تعادل بین تصادفی کردن (جستجوی جهانی)و جستجوی محلی کوشش می کنند.

با الهام از طبیعت ،الگوریتم های قوی متا هیوریستیک در مسائل مرتبط با ان پی سخت مثل تخمین پارامترها،سیستم شناسایی ، WSNاستقرار پویا ،UCAV طراحی مسیر،ترکیب ورق آزمون/// و آب ،مهندسی حمل و نقل و مهندسی زمین شناسی بکار برده می شود.در طول دهه های 1950 و 1960 دانشمندان علم کامپیوتر امکان مفهوم تحول را به عنوان  وسیله بهینه سازی را مطالعه کردند و این مطالعات به ساخت زیرمجموعه غیر گرادیانی انجامید که الگوریتم ژنتیک (Gas) نامیده شد.از آن زمان به بعد الگوریتم های متا هیوریستیک الهام گرفته از طبیعت بسیاری ظاهر شدند مثل بهینه سازی کولونی (ACO) ،تکامل دیفرانسیل (DE) ،الگوریتم خفاش (BA) ،جستجوی هارمونی (HS) ،الگوریتم بهینه سازی ازدحام ذرات (PSO).

اخیرا گندمی و علوی الگوریتم دسته کریل را که براساس شبیه سازی رفتار توده ای کریل انفرادی در طبیعت طراحی شده است را پیشنهاد کرده اند. در (KH) تابع هدف برای تغییر مکان کریل با اندازه گیری کمترین فاصله های هر کریل منفرد از غذا و از بیشترین تراکم گروه اندازه گیری می شود.موقعیت وابسته به زمان کریل منفرد شامل سه مولفه است (1) حرکت بوجود آمده بوسیله دیگر افراد.(2) حرکت برای غذا (3)انتشار فیزیکی تصادفی .یکی از نتایج قابل توجه الگوریتم  KH این است که اطلاعات گرفته شده لازم نیست زیرا این الگوریتم جستجوی تصادفی را بیشتر از جستجوی گرادیان بکار می برد.یکی از مزایای دیگر الگوریتم KH سادگی آن است.در مقایسه با دیگر الگوریتم های متا هیوریستیک برپایه جمعیت ،روش جدیدنیاز به متغیر های کنترل کمتر با وجود تنها یک پارامتر Ct (فاصله زمانی)برای تنظیم کردن (جدا از اندازه جمعیت) دارد.این مشخصه KH را از نظر اجرایی آسان می کند و دارای قدرت بیشتر و بسیار مناسب برای محاسبات همزمان می کند.

KH الگوریتمی قوی در استخراج (برای مثال در جستجوی محلی) است اما بعضی مواقع ممکن است در نقطه بهینه محلی گیر کند لذا نمی تواند جستجوی سراسری را اجرا کند.برای KH جستجو وابستگی کاملی به راه رفتن تصادفی دارد لذا همگرایی سریع تضمین نمی شود.برای رسیدن به KH بهتر در مسائل بهینه سازی دو روش پیشنهادشده است که طرح تغییر را به KH برای افزودن تنوع جمعیتی معرفی می کند.

جستجوی فاخته (CS) الگوریتم متا هیوریستیک جدیدی بر پایه رفتار انگل جوجه ای ضروری بعضی از گونه های فاخته در ترکیب با رفتار پرواز لوی بعضی پرندگان و پروازهای میوه هااست.والتون و شاگردان الگوریتم اصلی CS را به سازی کرد و روش اصلاح شده CS(MCS) را معرفی کردند.اولین پیشرفت قبول کردن اندازه گام پرواز لوی به جای سایز ثابت گام در روش CS است.دومین پیشرفت افزودن تبادل اطلاعات بین تخم ها است تا با همگرایی صحیح به بهترین پاسخ رسید.در روش MCS کسری از تخم ها با بهترین اندازه در کنار هم قرار می گیرند تا گروهی از تخم های عالی را تشکیل دهند.همچنین همه ی کوکو ها(فاخته ها)می توانند اطلاعات را از طریق تخم های عالی تبادل کنند.

مفهوم تبادل اطلاعات که شرح داده شد به الگوریتم KH معرفی می شود تا روش بهینه KH(IKH)  ایجاد شود.هدف اصلی سرعت دادن به همگرایی الگوریتمی و بنابراین ایجاد ابزاری کارامدتر برای محدوده بزرگتری از برنامه های کاربردی است که خواص عالی روش اصلی KH رانیز حفظ کرده است.علاوه بر آن IKH توزیع پرواز لوی و طرح نخبه گرایی جدیدی را برای محاسبات حرکت KH به روز رسانی کرد.برنامه پیشنهاد شده در 14 تابع استاندارد محک ارزیابی می شود.نتایج آزمایشی نشان می دهد که IKH بهتر ازروش های بهینه سازی KH,GA,BA,CS,DE,HS,PSO  و آموزش افزایشی بر پایه احتمال (PBIL) وروش مصنوعی کولونی زنبور (ABC) عمل می کند.

ساختار این تحقیق به صورت زیر است :بخش (2) تشریح مسئله بهینه سازی عددی سراسری و الگوریتم اصلی KH به طور خلاصه .برنامه IKH با جزئیات آن در بخش 3 ارائه می شود .سپس ،بخش 4 درستی تحقیق در زمینه IKH در مقابل معادلات محک مختلف و الگوریتم های بهینه سازی گوناگون نشان داده می شود .در پایان بخش 5 از نتیجه گیری و پیشنهادات برای کار بعدی تشکیل شده است.

توجه:

• برای دانلود فایل word کامل ترجمه از گزینه افزودن به سبد خرید بالا استفاده فرمایید.
• لینک دانلود فایل بلافاصله پس از خرید بصورت اتوماتیک برای شما ایمیل می گردد.