الگوریتم تکاملی مبتنی بر حافظه و چند جمعیتی برای بهینه سازی مسائل پویا (حافظه+دو جمعیت+ شروع مجدد)

برای مسائل بهینه سازی پویا ، تابع شایستگی ، متغیرهای طرح و یا شرایط محیطی ممکن است که در طول زمان به دلایل مختلفی تغییر کند. تمام محیطهای پویا هم ارز نیستند و پویایی متفاوتی بر اساس مشخص ههای محیطی همانند فرکانس، شدت، قابلیت پیش بینی و تکراری بودن تغییرات و روشهای بهینه سازی متفاوتی برای آنها وجود دارد . الگوریتمهای تکاملی اساساً از تکامل طبیعی الهام می گیرند و در طبیعت محیط های پویای در حال تغییر اتفاق می افتد. چالشی که اینجا وجود دارد این است که الگوریتمهای تکاملی کلاسیک نم یتوانند بدلیل همگرایی و کاهش تنوع به خوبی با محیط در حال تغییر تطبیق یابند. روشهایی برای توسعه، همانند حفظ تنوع در طول اجرا از طریق روش مهاجران تصادفی، افزایش تنوع بعد از ایجاد یک تغییر، استفاده از روش حافظه و روشهای چند جمعیتی، برای حل مشکل به وجود آمده است. در این مقاله روش ترکیبی الگوریتم ژنتیک با حافظه، دو جمعیت و شروع مجدد که متفاوت با روش آقای برنک و شبیه به روش ارائه شده توسط آقای یانگ است بر روی مهمترین مسئله محک محیط پویا ، پیکهای متغییر، اعمال می شود و ملاحظه می گردد که همانند تاثیر آن بر روی مسئله ماکسیمم یک باعث بهبود عملکرد بر روی پیکهای متغییر نسبت به روش آقای برنک می گردد.

کلیدواژه ها:

الگوریتم تکاملی ، محیط پویا ، تنوع ، روش مبتنی بر حافظه ، شروع مجدد ، الگوریتم ژنتیک مبتنی بر حافظه و چند جمعیتی