بهینه سازی فضای منحنی Curved Space Optimization - CSO) : یک روش جدید برای بهینه سازی اکتشافی

در این مقاله یک روش جدید برای بهینه سازی اکتشافی معرفی و پیاده سازی میشود. این روش، بر پایه انحنای فضای جستجو استوار است، بدین معنی که فضای متغیر ها در محل قرارگرفتن نسل قبل دچار کشیدگی می شود. بر همین اساس در این الگوریتم به هر عضو جمعیت «جرم» (mass) گفته میشود. روش جدید ، الگوریتم جستجوی تصادفی که نقاط جدید در آن کاملا بر پایه انتخاب تصادفی مشخص می گردند را به گونه ای تعمیم میدهد که عملکرد ضعیف آن در توابع تست شناخته شده، بهطور موثری بهبود می یابد، به گونه ای که با الگوریتم های معروفی همچون الگوریتم ژنتیک قابل مقایسه میگردد. در این روش برای تولید هر عضو جدید از نسل بعدی از کلیه اطلاعات نسل قبلی در قالب یک تابع احتمال روی کل فضای جستجو استفاده میشود. این تابع، احتمال حضور نقاط بهینه را در کل فضای متغیر ها مشخص می سازد و اجرام جدید با توجه با این احتمال حضور بهصورت تصادفی ازکل فضای متغیرها انتخاب می گردند. روش مذکور از نظر عملکرد با تعدادی از الگوریتم های معروف مقایسه شده و نتایج اعمال انروی توابع تست در مقایسه با الگوریتم ژنتیک ارائه شده است. نتایج حاصله نشان می دهد که الگوریتم جدید در اکثر توابعی که مورد تست قرار گرفته است دارای عملکرد بهتری از الگوریتم ژنتیک بوده است.

کلیدواژه ها:

بهینه سازی اکتشافی ، بهینه سازی فضای منحنی ، الگوریتم ژنتیک ، جستجوی تصادفی ، ذوب شبیه سازی شده ، جرم ، انحنای فضا