CIVILICA We Respect the Science
(ناشر تخصصی کنفرانسهای کشور / شماره مجوز انتشارات از وزارت فرهنگ و ارشاد اسلامی: ۸۹۷۱)

گواهی نمایه سازی مقاله الگوریتم ژنتیک آشوبگونه مبتنی بر حافظه و خوشه بندی برای حل مسایل بهینه سازی پویا

عنوان مقاله: الگوریتم ژنتیک آشوبگونه مبتنی بر حافظه و خوشه بندی برای حل مسایل بهینه سازی پویا
شناسه (COI) مقاله: JR_TJEE-46-3_026
منتشر شده در فصلنامه مهندسی برق دانشگاه تبریز در سال ۱۳۹۵
مشخصات نویسندگان مقاله:

مجید محمدپور - دانشجوی کارشناسی ارشد، دانشکده فنی و مهندسی- دانشگاه آزاد اسلامی واحد یاسوج -یاسوج- ایران
حمید پروین - استادیار، دانشکده مهندسی کامپیوتر، دانشگاه آزاد اسلامی، واحد ممسنی، ممسنی، ایران- باشگاه پژوهشگران جوان و نخبگان، واحد نو رآباد ممسنی، دانشگاه آزاد اسلامی، نو رآباد ممسنی، ایران

خلاصه مقاله:
اکثر مسایل موجود در دنیای واقعی یک مسیله بهینه سازی با ماهیتی پویا هستند، به طوریکه مقدار بهینه سراسری آنها در طول زمان ممکناست تغییر کند، بنابراین برای حل این مسایل الگوریتم هایی نیاز داریم که بتوانند خود را با شرایط این مسایل به خوبی سازگار نموده و بهینه جدید رابرای این مسایل ردیابی نمایند. در این مقاله، یک الگوریتم ژنتیک آشوبگونه مبتنی بر خوشه بندی و حافظه برای حل مسایل پویا ارایه شده است. یکسیستم آشوب گونه پیش بینی دقیق تری از آینده نسبت به یک سیستم تصادفی دارد و میزان همگ رایی را در الگوریتم افزایش می دهد. به طور معمولاستفاده از اطلاعات گذشته اجازه می دهد الگوریتم به سرعت بعد از تغییر محیط به سازگاری در شرایط محیطی جدید برسد، بنابراین ایده مورد نظر دراین زمینه، استفاده از یک حافظه است که با استراتژی مناسبی اطلاعات مفید گذشته را ذخیره نموده و برای استفاده مجدد آنها را بازیابی می نماید.خوشه بندی در حافظه و جمعیت اصلی، تنوع را در حین اجرای الگوریتم با تبادل اطلاعات میان خوشه های متناظر (خوشه ها با برچسب شبیه به هم)در حافظه و جمعیت اصلی حفظ می نماید. به طورکلی در این روش پیشنهادی دو جنبه نوآوری اساسی پیشنهاد شده است. یکی روش خوشه بندیاستفاده شده که هم جمعیت اصلی و هم جمعیت حافظه را خوشه بندی (خوشه بندی مبتنی بر میانگین) می کند و دیگری راهکار مناسبی است که برایبه روزرسانی حافظه استفاده شده است. برای آزمایش کارایی روش پیشنهادی از مسیله محک قله های متحرک استفاده شده که رفتاری شبیه به مسایلپویا در دنیای واقعی را شبیه سازی می کند. نتایج آزمایش ها کارایی مناسب روش پیشنهادی را در حل مسایل بهینه سازی پویا در مقایسه با دیگر روش هانشان می دهد.

کلمات کلیدی:
بهینه سازی پویا، الگوریتم ژنتیک، حافظه صریح، آشوب، خوشه بندی

صفحه اختصاصی مقاله و دریافت فایل کامل: https://www.civilica.com/Paper-JR_TJEE-JR_TJEE-46-3_026.html