فهرست نشریات علمی دسترسی آزاد ایران

الگوریتم کلونی زنبور عسل مصنوعی (ABC) در بسیاری از مسائل بهینه سازی پیچیده نتایج مطلوبی را کسب کرده است، اما از مشکلاتی نیز رنج می‌برد که از آنجمله می‌توان به عدم قدرت کافی در استخراج جواب‌های پیرامون جواب‌های قبلی، اشاره نمود. همین مسئله باعث شده که ABC نسبت به سایر الگوریتم‌های تکاملی سرعت همگرایی کمتری داشته باشد. برای حل این مشکل یکی از مناسب ترین راهکارها استفاده از یادگیری تقویتی (RL) است که بوسیله آن می‌توان در هر موقعیت، استراتژی بهینه را برای هر زنبور عسل تعیین نمود. از این رو، در این مقاله یک الگوریتم ممتیک ABC ارائه شده است که در آن از تعدادی عبارات بروز رسانی استفاده میشود، به طوری که هر یک از این عبارات به میزان مختلفی از خواص اکتشاف و استخراج برخوردار هستند. سپس RL سیاستی را ارائه می‌نماید که توسط آن، هر زنبور عسل میتواند در هر زمان، عملیات بهینه را از میان عملیات‌های مذکور انتخاب نماید. جهت بررسی عملکرد روش پیشنهادی و مقایسه آن با سایر الگوریتم‌های تکاملی، از آن‌ها در بهینه سازی توابع معیار متعددی استفاده شده است که نتیجه آزمایشات بیانگر قدرت روش پیشنهادی در مقایسه با سایر الگوریتم های تکاملی است