الگوریتم ژنتیک آشوب گونه مبتنی بر حافظه و خوشه بندی برای حل مسائل بهینه سازی پویا

Authors

مجید محمدپور

دانشگاه آزاد اسلامی واحد یاسوج حمید پروین

دانشگاه آزاد اسلامی واحد ممسنی

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.

Upgrade to premium to download articles

Sign up to access the full text

Already have an account?login

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 text

ارائه 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 text

الگوریتم 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 text

بکارگیری 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 text

ترکیب 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 تبریز

جلد ۴۶، شماره ۳، صفحات ۲۹۹-۳۱۸

Keywords

Hosted on Doprax cloud platform doprax.com

copyright © 2015-2023