آشنایی با الگوریتم کلونی مورچه- شبکه عصبی مصنوعی و کاربرد آن در صنایع غذایی

هدف: مسائل بهینه سازی به جستجوی بهترین راه حل از میان تمام گزینه های ممکن می پردازند. به طوری که صنایع بزرگ و کوچک بدون کمک این علم قادر به رقابت در عرصه ساخت و تولید نخواهند بود. انواع مسائل بهینه سازی در صنایع غذایی شامل بهینه سازی فرایندها و کاهش ضایعات و سوخت می باشد. یکی از مدل های بهینه سازی شبکه عصبی مصنوعی می باشد. توانایی پیشگویی یک شبکه عصبی به ساختار آن (نوع تابع انتقال، تعداد لایه ها و تعداد نرون های لایه پنهان) وابستگی کامل دارد. تخمین تعداد نرون های لایه پنهان عموما به وسیله آزمون و خطا انجام می شود که وقت گیر بوده و دارای خطا می باشد. لذا روش های بهینه سازی بر مبنای جمعیت از قبیل بهینه سازی کلونی مورچه ها در جهت غلبه بر این مشکل ذاتی شبکه های عصبی و به دست آوردن تعداد بهینه نرون ها در لایه پنهان مورد استفاده قرار می گیرند. روش پژوهش: بسیاری از حیوانات نابینا مانند مورچه ها می توانند کوتاهترین مسیر از کلونی تا منبع غذا را پیدا کنند. وقتی که یک مورچه به تنهایی به صورت تصادفی حرکت می کند مورچه هایی که او را دنبال می کنند می توانند مسیر او را شناسایی کرده و با احتمال بسیار قوی تصمیم بگیرند او را دنبال کنند. بنابراین مسیر به وسیله فرومون مورچه های دنبال کننده نمایان تر می شود. وقتی که مورچه های بیشتری از آن مسیر عبور می کنند مسیر برای سایر مورچه ها جذب کننده تر می شود. این فرایند خصوصیت بازخورد مثبت حلقه است یعنی احتمال اینکه یک مورچه یک مسیر را انتخاب کند با زیاد شدن تعداد مورچه هایی که قبلا از آن مسیر رد شده اند زیاد می شود. در مسائل بهینه سازی، بعد از یک تکرار مشخص تمامی مورچه ها از یک مسیر مشابه استفاده می کنند که در آن حالت این مسیر، مسیر بهینه می باشد. مراحل مختلف الگوریتم ACO در متلب: 1- آماده سازی یا تنظیمات اولیه شامل تعریف مسئله و پارامترها (تعداد مورچه، ضریب تبخیر، مقدار فرومون اولیه) 2- ایجاد و ارزیابی راه حل که برای هر مورچه مراحل زیر انجام می شود: 2-الف- یک مبدا تصادفی انتخاب می کنیم (هر مورچخ به طور تصادفی جایی را برای حرکت انتخاب می کند) 2-ب- تا تکمیل مسیر این مراحل را انجام می دهیم: 2-ب-1 یکی از نقاط قابل انتخاب را انتخاب می کنیم (تصادفی) 2-ب-2 نقطه انتخاب شده را از بین قابل انتخاب ها حذف می کنیم (نقطه انتخابی نمی خواهیم). 2-پ - پس از ساختن مسیر آن را ارزیابی می کنیم . پس از آنکه تمام مورچه ها مسیرهای خود را طی کردند: 3-الف- هر مورچه بر روی یالهایی که از آن ها عبور کرده است فرومون می ریزد (فاز آپدیت فرومون) 3-ب- فرومون تمام یالها در اثر تبخیر کمتر می شود (فاز تبخیر فرومون). در صورت نیاز (برآورده نشدن شرایط خاتمه) بروید به 2. نتیجه گیری کلی: می توان در حل مسائل پیچیده بهینه سازی از الگوریتم شبکه عصبی-الگوریتم کلونی مورچه استفاده نمود.

کلیدواژه ها:

الگوریتم کلونی مورچه ، شبکه عصبی مصنوعی ، بهینه سازی