انتخاب K-means فشرده تر به عنوان یک تکنیک جایگاه یابی برای کمک به الگوریتم جستجوی گرانشی نخبه گرا جهت حل مسائل چندمدی

بشر برای حل مسائل خود، همواره به دنبال راه حلی با هزینه کمتر بوده است. از این رو مسائل بهینه سازی توجه محققان را به خود جلب نموده اند. از مهم ترین روش های حل این مسائل، الگوریتم های تکاملی هستند که بیشتر آن ها از طبیعت الهام گرفته شده اند. الگوریتم جستجوی گرانشی یکی از الگوریتم های تکاملی است که در برخورد با مسائل تک مدی موفق عمل کرده است. برای موفقیت این الگوریتم در مسائل چندمدی، علاوه بر نخبه گرایی، از خوشه بندی فشرده تر K-means به عنوان تکنیک جایگاه یابی استفاده گردیده است. برای ارزیابی کارایی الگوریتم پیشنهادی، این الگوریتم بر روی توابع ارزیابی مقید و نامقید استانداردی اجرا می شود، نرخ موفقیت، نرخ خطا و تعداد ارزیابی لازم برای کشف بهینه ها، معیارهای مقایسه الگوریتم های موجود در این پژوهش می باشند. در بخش نتایج آزمایشگاهی، با محاسبه این معیارها نشان داده شده است که الگوریتم پیشنهادی توانسته است، در اکثر توابع ارزیابی با وجود استفاده از جمعیت کمتر، نرخ خطای کمتر و تعداد ارزیابی کمتر، بهینه ها را کشف نماید.

کلیدواژه ها:

الگوریتم جستجوی گرانشی ، چندمدی ، جایگاه یابی ، K-means