مدلهایی ترکیبی برای بهینه سازی بر پایه اتوماتای یادگیر سلولی و محاسبات تکاملی و کاربردهای آنها

در این پایان نامه چند مدل ترکیبی بهینه سازی مورد مطالعه قرار گرفته اند در قسمت اول پایان نامه، مدل محاسبات تکاملی بر پایه اتوماتای یادگیر سلولی که ترکیبی از اتوماتای یادگیر سلولی و الگوریتم ژنتیک است مطالعه شده است و توانایی آن در حل مسایل پیچیده با فضای حالت بزرگ بررسی شده است. در قسمت دوم مدلی جدید از حرکت دسته جمعی ذرات با نام psola معرفی شده است. در این مدل یک اتوماتون یادگیر مسوولیت تنظیم رفتار ذرات و برقراری تعادل بین جستجوی سراسری و جستجوی محلی در حرکت دسته جمعی ذرات را بر عهده دارد. سپس بر پایه مدلpsola مدل ترکیبی جدیدی به نام clapso ارائه شده است که ترکیبی از اتوماتای یادگیر سلولی و مدل حرکت دسته جمعی ذرات می باشد هر سلول در مدل clapso در برگیرنده یک psola است و اتوماتون یادگیر هر سلول از تجربیات شخصی خود و نیز از تجربیات اتوماتای سلولهای همسایه بهره می گیرد نتایج آزمایشات صورت گرفته بر روی مسایل استاندارد نشان داده اند که مدلهای ارائه شده عملکرد بهتری نسبت به مدل استاندارد حرکت دسته جمعی ذرات دانسته اند.