بهبود همگرایی الگوریتم جهش قورباغه مخلوط شده با استفاده از آنتروپی

در سال های اخیر، محاسبات تکاملی که رفتار اجتماعی نمونه های بیولوژیکی طبیعی را تقلید می کنند، پیشرفت شگفتانگیزی در علوم کامپیوتر بشمار می آیند و در حل مسائل بهینه سازی نامحدود، روشهای مختلفی از آن مورد استفادهقرار گرفته است. الگوریتم های ممتیک دسته ی خاصی از روشهای جستجوی فرااکتشافی هستند که از مدلهای منطبقبر سیستم های طبیعی نتیجه می شوند. الگوریتم جهش قورباغهی مخلوط شده نیز یک الگوریتم جستجوی سراسریمی باشد، که الگوهای رفتاری تکاملی گروهی از قورباغه ها را زمانیکه به دنبال یافتن محلی با بیشترین مقدار غذامی باشند، تقلید می کند. این الگوریتم در مسائل بهینه سازی با ابعاد بالا نتایج خوبی از خود نشان نمیدهد. در این مقالهروشی در جهت بالابردن دقت، سرعت همگرایی و افزایش توانایی الگوریتم جهش قورباغه ی مخلوط شده در جستجویمحلی و سراسری ارائه شده است. در روش پیشنهادی، با تغییر گام جهش به کمک آنتروپی، بهبود قابل توجهی درنتایج الگوریتم مشاهده میگردد. الگوریتم بهبود یافته با سایر الگوریتمهای تکاملی مانند الگوریتم بهینه سازی ازدحامذرات آشوبناک، الگوریتم رقابت استعماری و الگوریتم جهش قورباغه ی مخلوط شده ی استاندارد مقایسه می شود. اینمقایسه بر روی تعدادی از توابع محک، که توابعی پیوسته با ابعاد بالا می باشند، صورت گرفته است. نتایج بر روی میانگینمقدار تابع در اجراهای متوالی الگوریتم های مورد نظر و تعداد دفعات فراخوانی تابع برازندگی (NFE) در رسیدن به پاسخ بهینه، مورد بررسی قرار گرفته است. نتایج به دست آمده بیانگر این است که الگوریتم پیشنهادی در مسائل بهینهسازی پیوسته با ابعاد بالا، نه تنها بهبود قابل توجهی در رسیدن به پاسخ بهینه داشته، بلکه سرعت همگرایی الگوریتمرا نیز بهبود می بخشد.

کلیدواژه ها:

آنتروپی ، الگوریتم جهش قورباغه ، الگوریتم بهینه سازی ازدحام ذرات ، بهینه سازی پیوسته