ارائه یک نسخه بهبودیافته از الگوریتم ژنتیک مبتنی بر راهکار خودسازماندهی بحرانی و حافظه گوسی برای حل مسائل بهینهسازی پویا
نویسندگان
1 باشگاه پژوهشگران و نخبگان، دانشگاه آزاد اسلامی واحد یاسوج، کهگیلویه و بویراحمد، ایران
2 دانشکده مهندسی کامپیوتر، دانشگاه علم و صنعت، تهران، ایران
3 دانشکده مهندسی کامپیوتر، دانشگاه آزاد اسلامی، نورآباد ممسنی، فارس، ایران
4 دانشکده فنی و مهندسی، گروه مهندسی برق و کامپیوتر، دانشگاه یاسوج، یاسوج، ایران
doi
10.22052/scj.2021.111452چکیده
از آنجاییکه اجزای پویا، همراه با محدویتهای غیرخطی و اهداف متعدد، یکی از خصوصیتهایی است که بهطور مکرر در مسائل دنیای واقعی ظاهر میشود و از طرف دیگر زمان زیادی است که محاسبات تکاملی وارد حوزه کاربردهای صنعتی شده است (به خصوص بهعلت توانایی آنها در مواجهه با محیطهای چندهدفه و غیرخطی) انتظار میرود که توجه به این زمینه در جامعه علمی رشد پیدا کند. هدف این مقاله، امکان طراحی پروتکلهای الهام گرفته از طبیعت در الگوریتم ژنتیک است که روی بهینهسازی در محیطهای پویا موثر باشد، در حالیکه پیچیدگی الگوریتم را حفظ کند و تغییرات در فضای مسئله بهصورت دورهای رخ دهد. در این مقاله، یک الگوریتم ژنتیک بهبودیافته (خودسازمانده بحرانی) مبتنی بر حافظه برای حل مسائل بهینهسازی پویا ارائه شده است. در الگوریتم ارائهشده، از یک عملگر جهش خودسازمانده استفاده شده است. این عملگر جهش میتواند نرخهای جهش خودتنظیمشونده را با یک توزیع ویژه بر مبنای مدل تپه شنی انجام دهد که این برای بهینهسازی پویا مناسب است. اگر تغییرات بهصورت دورهای رخ دهند، بهطور معمول استفاده از اطلاعات گذشته اجازه میدهد الگوریتم به سرعت بعد از تغییر محیط به سازگاری در شرایط محیطی جدید برسد. ایده مورد نظر در این زمینه، استفاده از یک حافظه میباشد. یکی از چالشهای اساسی در بهکارگیری حافظه، تنوع میباشد. برای افزایش سطح تنوع از یک حافظه تخمبن تراکم با خوشهبندی گاوسی استفاده شده است. همچنین از راهکاری برای جایگزینی و بازیابی در حافظه استفاده شده است. در طرح پیشنهادی ابتدا جهش خودسازمانده بحرانی جدید، با سایر الگوریتمهای ژنتیک ارائه شده توسط سایر محققین ترکیب شده و نتایج حاصل شده نشان میدهد که این روش توانسته بهکرات سایر الگوریتمهای ژنتیک را برای محیطهای پویا بهبود بخشد. در نهایت روش پیشنهادی این مقاله که ترکیب خودسازماندهی بحرانی جدید با حافظه تخمین تراکم گوسی است ارائه شده است. نتایج این روش بر روی مسائل محک مختلف با عنوان توابع تله پویا (Royal road، One Max و Deceptive)، آزمایش شده ونتایج حاصله حاکی از کارایی بیشتر روش پیشنهادی است.
