بهبود قابلیت اکتشاف الگوریتم بهینه سازی وال با استفاده از یادگیری محلی و پیروی از عملکرد گروه

سال انتشار: 1397
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 1,801

فایل این مقاله در 6 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

NEEC05_077

تاریخ نمایه سازی: 7 خرداد 1398

چکیده مقاله:

الگویتم های فراابتکاری مکانیزم بکار رفته برای حل مسئله در طبیعت را جهت حل مسائل علوم کامپیوتر مورد استفاده قرار می دهند. هوش دسته جمعی یکی از انواع الگوریتم های فراابتکاری است و در بیشتر موارد رفتار گروهی و اجتماعی جانداران جهت حل مسائل بهینه سازی الگوبرداری شده است. رفتار نهنگ های کوه اندار از جمله رفتارهای دسته جمعی جالب در طبیعت است که جانداران برای شکار با هم مشارکت و همکاری می نمایند. در رفتار این جانداران مشاهده شده است برای شکار دسته ماهی از مکانیزم رفتار دسته جمعی و اجتماعی استفاده می نمایند. الگوریتم بهینه سازی وال بر اساس رفتار گروهی نهنگ کوه اندار در شکار دسته ماهی الگوبرداری شده است. در این الگوریتم موقعیت تخمینی دسته ماهی یا نقطه بهینه بر اساس موقعیت بهینه ترین نهنگ در نظر گرفته می شود. در الگوریتم بهینه سازی وال اعضای جمعیت برای یافتن موقعیت بهینه بیش از اندازه به عضو بهینه جمعیت متکی می باشند و اگر عضو مورد نظر در نزدیکی بهینه محلی باشد اعضای جمعیت گمراه می شوند و الگوریتم به جای همگرایی به سمت بهینه های سراسری به سمت بهینه های محلی همگرا می شوند. در روش پیشنهادی با اعمال یادگیری گروهی و فردی در الگوریتم بهینه سازی وال تلاش شده تا دقت آن افزایش داده شود. نتایج پیاده سازی بر روی توابع ارزیابی نشان می دهد دقت الگوریتم پیشنهادی نسبت به الگوریتم های جدید مانند الگوریتم بهینه سازی وال، بهینه سازی پروانه، بهینه سازی ملخ و جستجوی کلاغ بیشتر است و کمتر در بهینه های محلی گرفتار می گردد.

کلیدواژه ها:

نویسندگان

مهسا خراسانی زاده

دانشکده مهندسی کامپیوتر، واحد نجف آباد، دانشگاه آزاد اسلامی، نجف آباد، ایران.

زهرا بهشتی

دانشکده مهندسی کامپیوتر، واحد نجف آباد، دانشگاه آزاد اسلامی، نجف آباد، ایران.