فایل کامل پژوهش علمی درباره روش بهینه‌سازی با الگوریتم فاخته؛ بررسی مبانی محاسباتی، کاربردهای صنعتی و علمی

این پاورپوینت در مورد روش بهینه سازی با الگوریتم فاخته و کاربردهای آن در ۶۰ اسلاید زیبا شامل روش بهینه سازی با الگوریتم فاخته و کاربردهای آن،الگوریتم بهینه سازی فاخته،الگوریتم فاخته،فاخته،Cuckoo optimization algorithm،COA،کاربردهای COA و… می باشد.

قسمتی از متن،

* الگوریتم بهینه‌سازی است که زین–شی یانگ و سوآش دب در سال طراحی کردند. این الگوریتم برگرفته از ملزوم کردن تخم انگلی بعضی گونه‌های بلبل به قرار دادن تخم‌هایش در آشیانه پرندگان میزبان دیگر (از گونه‌های دیگر) است. بعضی پرندگان میزبان می‌توانند با فاخته‌های سربار و مزاحم جنگ و دعوا کنند. برای مثال اگر پرنده میزبان تخم‌هایی را پیدا کند که متعلق به آن‌ها نیست، او این تخم‌های بیگانه را دور می‌اندازد یا آشیانه اش را به راحتی ترک می‌کند و جای دیگر آشیانه جدیدی می‌سازد. بعضی گونه‌های فاخته همچون تخم- انگلی دنیای جدید- تاپیرا(tapera) به همان شیوه‌ای شکل می‌گیرد که فاخته‌های مؤنث انگلی اغلب خیلی در تقلید در رنگ‌ها و الگوی تخم‌های تعدادی از گونه‌های انتخابی میزبان متخصص می‌شوند. جستجوی فاخته بر اساس چنین شیوه پرورشی شکل می‌گیرد و بنابراین می‌تواند برای انواع مسایل بهینه‌سازی اجرا شود. به نظر می‌رسد این شیوه می‌توان برای الگوریتم‌های دیگر متاهو-یستیک به‌طور عملی انجام شود. از قرار معلوم الگوریتم مربوطه دیگر از هر نظر برای حوزه‌های مختلف اجرایی بازیافت فاخته (cuckoo hashing) نامیده می‌شود که راس موس پاگ و فلمینگ فریچ رودلدر در سال طراحی کرد.*
فاخته ها برای بیشینه کردن نجات تخم های خود به دنبال بهترین منطقه می گردند. پس از آنکه جوجه ها از تخم درآمدند و به فاخته بالغ تبدیل شدند، جوامع و گروه هایی تشکیل می دهند. هر گروه منطقه سکونت خود را برای زیست دارد. بهترین منطقه سکونت تمام گروه ها مقصد بعدی فاخته ها در سایر گروه ها خواهد بود. تمام گروه ها به سمت بهترین منطقه موجود فعلی مهاجرت می کنند. هر گروه در منطقه­ای نزدیک بهترین موقعیت فعلی ساکن می شود. با در نظر گرفتن تعداد تخمی که هر فاخته خواهد گذاشت و همچنین فاصله فاخته ها از منطقه بهینه فعلی برای سکونت تعدادی شعاع تخم گذاری محاسبه شده و شکل میگیرد . سپس فاخته ها شروع به تخم گذاری تصادفی در لانه هایی داخل شعاع تخم گذاری خود می کنند. این فرآیند تا رسیدن به بهترین محل برای تخم گذاری (منطقه با بیشترین سود) ادامه می یابد. این محل بهینه جایی است که بیشترین تعداد فاخته ها در آن گرد می آیند .

*

*برای حل یک مساله بهینه سازی لازم است تا مقادیر متغیرهای مساله به فرم یک آرایه شکل گیرند. در GA و PSO این آرایه ها با نام های “کروموزوم” و “موقعیت ذرات” مشخص می شوند. ولی در الگوریتم بهینه سازی فاخته این آرایه habitat یا “محل سکونت” نام دارند . در یک مساله بهینه سازی N بعدی یک habitat یک آرایه ۱*Nخواهد بود که موقعیت فعلی زندگی فاخته ها را نشان می دهد. این آرایه به شکل زیر تعریف می :شود :

*Habitat = [x1,x2,…,xN]

*میزان مناسب بودن (یا مقدار سود) در habitat فعلی با ارزیابی تابع سود (fp) در habitat به دست می آید. بنابراین

*Profit = fp(habitat) = fp(x1,x2,…,xN)

*همانطور که دیده می شود الگوریتم تکاملی فاخته الگوریتمی است که تابع سود را ماکزیمم میکند. برای استفاده از الگوریتم فاخته برای حل مسایل کمینه سازی کافی است یک علامت منفی در تابع هزینه ضرب کنیم . برای شروع الگوریتم بهینه سازی یک ماتریس habitat به اندازه Npop*N تولید میشود. سپس برای هر کدام از این habitatها تعدادی تصادفی تخم تخصیص می یابد. در طبیعت هر فاخته بین۵ تا ۲۰ تخم می گذارد. این اعداد به عنوان حد بالا و پایین تخصیص تخم به هر فاخته در تکرارهای مختلف استفاده می شود. دیگر عادت هر فاخته حقیقی این است که آنها در یک دامنه مشخص تخم های خود را می گذارند که با آن حداکثر دامنه تخمگذاری (ELR) گفته می .شود در یک مساله بهینه سازی هر متغیر دارای حد بالا varhi و حد پایین varlow است که هر ELR با استفاده از این حدود قابل تعریف خواهد بود. ELR متناسب است با تعداد کل تخم ها، تعداد تخم های فعلی فاخته و همچنین حد بالا و پایین متغیرهای مساله .

*بنابراین ELR به صورت رابطه (۱) محاسبه می گردد .

*

*

**وقتی جوجه فاخته ها رشد کردند و بالغ شدند مدتی در محیط ها و گروه های خودشان زندگی می کنند ولی وقتی زمان تخم گذاری نزدیک می شود به habitatهای بهتر که در آنجا شانس زنده ماندن تخم ها بیشتر است مهاجرت می کنند. پس از تشکیل گروه های فاخته در مناطق مختلف زیست (فضای جستجوی مساله) گروه دارای بهترین موقعیت به عنوان نقطه هدف برای سایر فاخته ها جهت مهاجرت انتخاب می شود. هنگامی که فاخته های بالغ در نقاط محیط زیست زندگی میکنند تشخیص اینکه هر فاخته به کدام گروه تعلق دارد کار سختی است. برای حل این مشکل، گروه بندی فاخته ها توسط روش کلاسبندی K-means انجام می شود ( k بین۱ تا ۳ ۵ معمولا کفایت میکند ). حال که گروه های فاخته تشکیل شدند سود میانگین گروه محاسبه می شود تا بهینگی نسبی محل زیست آن گروه به دست آید. سپس گروهی که دارای بیشترین مقدار متوسط سود (بهینگی) باشد، به عنوان گروه هدف انتخاب شده و گروه های دیگر به سمت آن مهاجرت می کنند .*هنگام مهاجرت به سمت نقطه هدف فاخته ها تمام مسیر را به سمت محل هدف طی نمی کنند. آنها فقط قسمتی از مسیر را طی کرده و در آن مسیر هم انحرافی دارند. این نحوه حرکت را در شکل ۳ به وضوح مشاهده می شود. همانطور که از شکل معلوم است هر فاخته فقط % از کل مسیر را به سمت هدف ایده آل فعلی طی میکند و یک انحراف رادیان نیز دارد. این دو پارامتر به فاخته ها کمک می کند تا محیط بیشتری را جستجو کنند. عددی تصادفی بین ۱و ۰ است و عددی بین /۶ و /۶ – می باشد. وقتی تمام فاخته ها به سمت نقطه هدف مهاجرت کردند و نقاط سکونت جدید هرکدام مشخص شد، هر فاخته صاحب تعدادی تخم می شود. با توجه به تعداد تخم هر فاخته یک ELR برای آن مشخص می شود و سپس تخم گذاری شروع می گردد . فرمول عملگر مهاجرت در الگوریتم بهینه سازی فاخته به صورت رابطه (۲) است:

*الگوریتم بهینه سازی فاخته یا Cuckoo Optimization Algorithm چیست؟الگوریتم بهینه سازی فاخته یا Cuckoo Optimization Algorithm یکی از جدید ترین و قویترین روشهای بهینه سازی تکاملی می باشد که تا کنون معرفی شده اند. بعد از معرفی شدن روش های بهینه سازی تکاملی اولیه مثل الگوریتم ژنتیک (GA) ، الگوریتم تبرید تدریجی (Simulated Annealing)، تحقیقات زیادی روی روشهای تکاملی بهینه سازی که از الهام از طبیعت گرفته شده بودند انجام گرفت. از دیگر الگوریتمهای معرفی شده می توان به الگوریتم ازدحام ذرات (PSO)، کلونی مورچگان (ACO)، الگوریتم زنبور عسل (ABC) و الگوریتم ماهی های مصنوعی (Artificial Fish Swarm) اشاره کرد. کاربردهای بیشماری از این روشها را برای حل مسایل مختلف بهینه سازی پیچیده در مقالات می توان پیدا کرد.

*یکی دیگر از الگوریتم های بهینه سازی تکاملی که در ایران شکل گرفته و بسیار کاربرد یافته الگوریتم رقابت استعماری است که بر پایه الهام از یک سیستم رقابتی بین امپراتوریهای جهان جهت تصاحب مستعمره شکل گرفته است. این روش بهینه سازی با تغییری که در الگوریتم آن برای حرکت مستعمره ها به سمت امپراتوری در نظر گرفته شده است توانایی خوبی برای یافتن نقاط بهینه کلی (global optima)از خود نشان داده است.