الگوریتم ژنتیک آشوب گونه مبتنی بر حافظه و خوشه بندی برای حل مسائل بهینه سازی پویا
Authors
abstract
چکیده: اکثر مسائل موجود در دنیای واقعی یک مسئله بهینهسازی با ماهیتی پویا هستند، به طوری که مقدار بهینه سراسری آنها در طول زمان ممکن است تغییر کند، بنابراین برای حل این مسائل الگوریتمهایی نیاز داریم که بتوانند خود را با شرایط این مسائل بهخوبی سازگار نموده و بهینه جدید را برای این مسائل ردیابی نمایند. در این مقاله، یک الگوریتم ژنتیک آشوبگونه مبتنی بر خوشهبندی و حافظه برای حل مسائل پویا ارائه شده است. یک سیستم آشوبگـونه پیشبینی دقیقتـری از آینده نسبت بـه یک سیستم تصادفی دارد و میزان همگرایی را در الگوریتم افزایش میدهد. به طور معمول استفاده از اطلاعات گذشته اجازه میدهد الگوریتم بهسرعت بعد از تغییر محیط به سازگاری در شرایط محیطی جدید برسد، بنابراین ایده موردنظر در این زمینه، استفاده از یک حافظه است که با استراتژی مناسبی اطلاعات مفید گذشته را ذخیره نموده و برای استفاده مجدد آنها را بازیابی مینماید. خوشهبندی در حافظه و جمعیت اصلی، تنوع را در حین اجرای الگوریتم با تبادل اطلاعات میان خوشههای متناظر (خوشهها با برچسب شبیه بههم) در حافظه و جمعیت اصلی حفظ مینماید. به طورکلی در این روش پیشنهادی دو جنبه نوآوری اساسی پیشنهاد شده است. یکی روش خوشهبندی استفاده شده که هم جمعیت اصلی و هم جمعیت حافظه را خوشهبندی (خوشهبندی مبتنی بر میانگین) میکند و دیگری راهکار مناسبی است که برای بهروزرسانی حافظه استفاده شده است. برای آزمایش کارایی روش پیشنهادی از مسئله محک قلههای متحرک استفاده شده که رفتاری شبیه به مسائل پویا در دنیای واقعی را شبیهسازی میکند. نتایج آزمایشها کارایی مناسب روش پیشنهادی را در حل مسائل بهینهسازی پویا در مقایسه با دیگر روشها نشان میدهد.
similar resources
الگوریتم کلونی زنبور مصنوعی آشوبگونه مبتنی بر حافظه برای حل مسائل بهینهسازی پویا
چکیده الگوریتم کلونی زنبور مصنوعی یکی از الگوریتمهای بهینهسازی هوش جمعی می-باشد، که از آن در اهداف و کاربردهای ایستا به صورت وسیعی استفاده میشود. اکثر مسائل موجود در جهان واقعی پویا میباشند. بنابراین ما به الگوریتمهای بهینهسازی نیاز داریم که بتوانند مسائل را در محیطهای پویا به خوبی حل نمایند. مسائل بهینهسازی پویا مسائلی هستند که در طول زمان دچار تغییر می-شوند. در این مقاله ما یک الگوریت...
full textارائه یک الگوریتم چندجمعیتی مبتنی بر ازدحام ذرات برای حل مسائل بهینهسازی پویا
بسیاری از مسائل بهینهسازی در دنیای واقعی پویا میباشند. در این مسائل بهینه سراسری و بهینههای محلی در طول زمان تغییر میکنند. نشان دادهشده که استفاده از الگوریتمهای یادگیر تقلید از طبیعت برای مواجهه با این مسائل مناسب هستند. در میان الگوریتمهای مختلف بهینهسازی برای محیطهای پویا در سالهای اخیر الگوریتم بهینهسازی گروه ذرات توجه زیادی را به خود جلب کرده است. در این مقاله یک الگوریتم مبتنی ...
full textالگوریتم ژنتیک مبتنی بر کد واقعی با جهش هوشمند برای حل مسائل پخش بار اقتصادی غیرمحدب
در این مقاله، یک روش جدید برای حل مسائل پخش بار اقتصادی با استفاده از الگوریتم ژنتیک مبتنی بر کدهای واقعی با جهش هوشمند پیشنهاد می شود. در روش پیشنهادی کنترل لازم بر روی مقادیر مجموع کروموزوم ها صورت میگیرد در نتیجه نیازی به استفاده از هزینه جریمه در حل مسئله پخش بار اقتصادی نخواهد بود. این روش بر روی الگوریتم ژنتیک کلاسیک جهت حل مسائل پخش بار اقتصادی غیر محدب پیاده شده است .روش پیشنهادی قابلی...
full textبکارگیری تکنیک های خوشه بندی و الگوریتم ژنتیک در بهینه سازی درختان تصمیم گیری برای اعتبارسنجی مشتریان بانک ها
درختان تصمیم گیری به عنوان یکی از تکنیک های داده کاوی کاربرد زیادی در اعتبارسنجی مشتریان بانک وشناسایی آن ها برای اعطای تسهیلات اعتباری دارد. مسئله اصلی در پیچیدگی درختان تصمیم گیری، اندازه بیش از حد،عدم انعطاف پذیری و دقت کم در طبقه بندی است. هدف از این مقاله ارائه مدل ترکیبی در بهینه سازی درختان تصمیمگیری توسط تکنیک الگوریتم ژنتیک به منظور حل مسائل ذکر شده در فوق برای اعتبارسنجی مشتریان بانک ...
full textترکیب بهینه سازی ازدحام ذرات و الگوریتم ژنتیک برای خوشه بندی پویا
اگرچه الگوریتم های تحلیل کننده ی خوشه بندی به صورت پیوسته در حال بهبودند اما بیشتر این الگوریتم ها هنوز احتیاج به تنظیم تعداد خوشه ها دارند. در این پایان نامه یک روش خوشه بندی پویا بر اساس ترکیب بهینه سازی ازدحام ذرات و الگوریتم ژنتیک بررسی شده است. این الگوریتم می تواند به صورت خودکار، تعداد بهینه ی خوشه ها را تعیین کرده و به صورت همزمان مجموعه داده را با کمترین دخالت کاربر خوشه بندی کند. نتای...
My Resources
Save resource for easier access later
Journal title:
مهندسی برق دانشگاه تبریزجلد ۴۶، شماره ۳، صفحات ۲۹۹-۳۱۸
Hosted on Doprax cloud platform doprax.com
copyright © 2015-2023