فایل ورد کامل مقاله بررسی الگوریتم خفاش؛ رویکردهای نظری و کاربردهای عملی در مسائل بهینه‌سازی

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

 فایل ورد کامل مقاله بررسی الگوریتم خفاش؛ رویکردهای نظری و کاربردهای عملی در مسائل بهینه‌سازی دارای ۱۱ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد فایل ورد کامل مقاله بررسی الگوریتم خفاش؛ رویکردهای نظری و کاربردهای عملی در مسائل بهینه‌سازی  کاملا فرمت بندی و تنظیم شده در استاندارد دانشگاه  و مراکز دولتی می باشد.

توجه : در صورت  مشاهده  بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل ورد می باشد و در فایل اصلی فایل ورد کامل مقاله بررسی الگوریتم خفاش؛ رویکردهای نظری و کاربردهای عملی در مسائل بهینه‌سازی،به هیچ وجه بهم ریختگی وجود ندارد

---

بخشی از متن فایل ورد کامل مقاله بررسی الگوریتم خفاش؛ رویکردهای نظری و کاربردهای عملی در مسائل بهینه‌سازی :

چکیده

هوش جمعی یکی از قوی ترین تکنیک های بهینه سازی می باشد که بر مبنای رفتارهای گروهی است. الگوریتم خفاش یک
الگوریتم الهام گرفته از رفتار جمعی خفاش ها در محیط طبیعی است که در سال ۲۰۱۰ توسط یانگ ارائه شد. این الگوریتم بر

مبنای استفاده از خاصیت انعکاس صدا توسط خفاش ها است. خفاش ها مسیر و محل دقیق طعمه خود را بوسیله فرستادن امواج صوتی و دریافت بازتاب آن، پیدا می کنند. زمانی که امواج صوتی به سمت فرستنده امواج (خفاش) باز می گردد، این پرنده می تواند یک تصویر صوتی از موانع روبروو محیط اطراف خود رسم کند و محیط اطراف را به خوبی ببیند. با استفاده از این سیستم، خفاش ها می توانند اجسام متحرک مثل حشرات و اجسام بی حرکت مثل درختان را تشخیص دهند. با بررسی و بهینه سازی این الگوریتم در سیستمها و شبکه های کامپیوتری و تطبیق آن با سیستمهای خبره و هوشمند میتوان به تکنیکهای نوین جهت مسیر

یابی و تخمین مسافت در کاربردهای هوا و فضا، بهینه سازی سیستمهای پرواز در دید کور با استفاده از خلبان خودکار، رانندگی توسط خودروهای هوشمند با قابلیت تشخیص موانع ثابت از موانع متحرک، تخمین مسافت و محاسبه تاخیر در گره های شبکه های کامپیوتری، تخمین بار و ترفیک شبکه و بهینه سازی الگوریتمهای هوشمند مسیریابی در روترها و; سایر کاربردهای فنی

×مهندسی پرداخت. این مقاله به توضیح عملکرد این الگوریتم و کاربردهای متنوع آن پرداخته است. کلمات کلیدی: هوش جمعی ، تکنیک های بهینه سازی ، الگوریتم خفاش
مقدمه

امروزه گرایش به استفاده از الگوریتم های الهام گرفته از طبیعت و مبتنی بر هوش جمعی حیوانات بسیار زیاد است. بخصوص در مقوله ی تکنیک های بهینه سازی این الگوریتم ها مورد استقبال زیادی قرار گرفته اند.

با نگاه دقیق به طبیعت و تنوع بسیار زیاد حیواناتی که بصورت جمعی در زندگی خود از روش ها و متدهای خاصی پیروی می کنند،

بدیهی است که الگوریتم های زیادی را می توان با الهام از آنها مطرح کرد.

۱

برای مثال الگوریتم ژنتیک که برای اولین بار توسط جان هلند معرفی شد. این الگوریتم از اصول انتخاب طبیعی داروین برای یافتن

فرمول بهینه جهت پیش بینی یا تطبیق الگو استفاده می کنند. این الگوریتم از تکامل ژنتیکی به عنوان الگوی حل مساله کمک می
گیرد. مساله ای که باید حل شود ورودی است و راه حل ها طبق یک الگو کدگذاری می شوند که تابع برازش نام دارد. هر راه حل کاندیدا که به عنوان کروموزوم در نظر گرفته می شود را ارزیابی می کند که اکثرا به صورت تصادفی انتخاب می شوند. همچنین الگوریتم اجتماع ذرات که مبتنی بر رفتار جمعی پرندگان می باشد و در سال ۱۹۹۵ توسط کندی و ابرهارت ارائه شده است [۱] و

در زمینه حل مسائل بهینه سازی پیوسته کاربرد فراوانی دارد.الگوریتم های بسیاری در این زمینه وجود دارد مثل الگوریتم فاخته،
الگوریتم کرم شب تاب و ; . لازم به ذکر است که یکی از مهمترین اکتشافات علم نوین که امروزه مرکز توجه بسیاری از علما و

دانشمندان قرار گرفته و منجر به حل بسیاری از مسائل لاینحل گردیده موضوع شبکه های عصبی مصنوعی میباشد که الهام گرفته از

طبیعت عصبی انسان است. با توجه به موارد و مثال های ذکر شده به این نتیجه می رسیم که روز به روز به الگوریتم های الهام گرفته

از طبیعت اضافه می شود.
الگوریتم خفاش مبتنی بر ویژگی پژواک یابی ریزخفاش ها است. [۲] در حالت کلی دو نوع خفاش وجود دارد که نوع اول بزرگ
خفاش ها هستند و نوع دوم ریزخفاش ها نام دارند. ریزخفاش ها از این ویژگی برای پرواز در شب و شکار استفاده می کنند.

الگوریتم خفاش با استفاده از تکنیک تنظیم فرکانس، تنوع راه حل های موجود در جمعیت را افزایش می دهند. قسمت اول این مقاله در مورد ساختار کلی این الگوریتم و چگونگی کمک گرفتن ریزخفاش ها از پژواک یابی برای رسیدن به هدف می باشد، در قسمت دوم توضیحی اجمالی در مورد انواع مختلف این الگوریتم ارائه شده است. قسمت سوم مربوط به کاربردهای الگوریتم خفاش در زمینه های مختلف است.

ینه های مختلف است.

– ۱ الگوریتم خفاش

الگوریتم خفاش بر مبنای ویژگی پژواک یابی است که توسط ریزخفاش ها مورد استفاده قرار می گیرد.
– ۱ – ۱ پژواک یابی ریزخفاش ها

در حدود ۱۲۴۰ گونه ی مختلف خفاش وجود دارد که روی هم رفته ۲۰ درصد از گروه های پستانداران را از آن خود کرده است.
پژواک یابی ریزخفاش ها در عمل یک سامانه ادراکی است که در آن موج های فرا صوتی برای بدست آوردن پژواک، تولید می شوند. مغز و دستگاه عصبی خفاش با مقایسه ی موج های فرستاده شده و موج های بازتاب شده می تواند تصویری از فضای پیرامون

و جزئیاتش را برای خود بسازد. این توانایی به ریزخفاش ها اجازه می دهد تا در تاریکی مطلق شکارشان را شناسایی کنند. شدت موج تولیدی توسط خفاش ۱۳۰ دسی بل است و برای شکار طعمه از فرکانس ۱۵ کیلوهرتز تا ۲۰۰ کیلوهرتز استفاده می کند. این

درحالی است که دامنه شنوایی انسان از ۲۰ هرتز تا ۲۰ کیلوهرتز است.خفاش برای آنکه داده های بدست آمده را شناسایی کند باید

بتواند صدای تولیدی توسط خودش را از پژواک آن جدا کند. [۳] ریزخفاش ها برای این هدف دو روش دارند:
پژواک یابی با چرخه هایی با بازه ی زمانی کوتاه : این دسته از خفاش ها می توانند صدای فرستاده شده از سوی خود را با کمک زمان سنجی، از صدای بازتاب شده، شناسایی کنند.

۲

پژواک یابی با چرخه هایی با بازه ی زمانی بلند : این خفاش ها صدایی پیوسته تولید می کنند و پالس ها و پژواک ها را با تغییر

بسامد از هم جدا می کنند. آنها می توانند بسته به سرعت پرواز، پالس هر بسامد تولیدی را تغییر دهند. به این ترتیب پژواک دریافتی

همچنان در بازه ی شنوایی مناسب قرار می گیرد. [۳]

– ۱ – ۲ قوانین الگوریتم خفاش

با توجه به ویژگی پژواک یابی خفاش ها،Yang Xin-Sheدر سال [۴] ۲۰۱۰ الگوریتم خفاش را بر مبنای سه قانون اساسی زیر بنا نهاد :

-۱ تمامی خفاش ها با بکارگیری پژواک یابی می توانند مسافت را تخمین بزنند و تفاوت بین طعمه و موانع ثابت را تشخیص

دهند.

-۲ خفاش ها به صورت تصادفی با سرعت vi در جهت xi، با فرکانس fmin، به طول موج و بلندی صدای A0 در جست و جوی شکار هستند. همچنین آنها می توانند طول موج پالس های منتشر شده را به طور اتوماتیک تنظیم کرده و نرخ انتشار پالس خود را طبق نزدیکی طعمه ی خود، مطابقت دهند.

-۳ بلندی صدا می تواند به طرق مختلفی تغییر کند ولی فرض می کنیم که بلندی صدا از A0 تا Amin تغییر می کند.

– ۱ – ۳ حرکت خفاش ها

هر خفاش به سرعت vit و مکان xit با تکرار t در یک جست و جوی d بعدی و یا فضای راه حل وابسته است. در میان تمامی خفاش ها تنها یک راه حل بهینه ی x* وجود دارد[۴]

بنابراین سه قانون ذکر شده درقسمت قبل را می توان از طریق فرمول های زیر محاسبه کرد:
(۱) Fi= f min+ (f max – f min)
(۲) Vit = v it-1 + (x it-1 – x*)fi
(۳) Xit = xit-1 + vit

بطوریکه [۰,۱] یک بردار تصادفی از یک توزیع یکنواخت بدست آمده است.

همانطور که ذکر شد می توان از طول موج یا فرکانس نیز برای پیاده سازی استفاده کرد.در اینجا fmin = 0 و fmax = 100
در نظر گرفته شده است که بسته به اندازه ی مساله علاقه مندی دارد.

در ابتدا به هر خفاش فرکانسی تصادفی که به صورت یکنواخت از [fmin , fmax] بدست آمده است، نسبت داده می شود. به همین دلیل می توان گفت که الگوریتم خفاش یک الگوریتم میزان ساز فرکانس است، بطوریکه ترکیبی متعادل از اکتشاف و

استخراج را فراهم می کند. بلندی و نرخ انتشار پالس، یک مکانیسم اتوماتیک برای کنترل و بزرگنمایی خودکار ناحیه را فراهم می کند که منجر به راه حل های مقرر می شود.[۵]

– ۱ – ۳ تغییرات بلندی و نرخ انتشار پالس

۳

به منظور فراهم کردن مکانیزمی موثر برای کنترل اکتشاف و استخراج و سوئیچ به مرحله ی استخراج در مواقع ضروری، مجبور

به تغییر بلندی Ai و نرخ انتشار پالس ri در حین تکرار هستیم. از آنجاییکه با یافتن طعمه توسط خفاش، بلندی کاهش و نرخ انتشار

پالس افزایش می یابد، می توان به بلندی مقادیر Amin و Amax را نسبت داد بطوریکه اگر A min = 0 باشد به این معنی این معنی است که خفاش طعمه خود را یافته و موقتا انتشار هرگونه صدایی را متوقف کرده است.

با این فرضیات داریم :
(۴) $it , rit+1 = ri0[ 1-exp(- W) @ Ait+1
بطوریکه و مقادیر ثابت هستند. عملکرد مشابه عملکرد فاکتور کاهش دما در الگوریتم تبرید شبیه سازی شده است. برای ۰
< < 1 و > 0 داریم:
(۵) W DV Ait 0 , rit ri0
در ساده ترین مورد می توان در نظر گرفت. شبیه سازی های انجام شده دراین الگوریتم ۰۹ WR 0.98 در نظر
گرفته شده است.

– ۱ – ۵ انواع الگوریتم خفاش

الگوریتم خفاش مزایای زیادی دارد.یکی از مزایای کلیدی آن توانایی همگرایی سریع در مرحله ابتدایی بوسیله سوئیچ از اکتشاف به

استخراج است.این ویژگی باعث می شود این الگوریتم، یک الگوریتم تاثیرگذار برای کاربردهایی مثل دسته بندی و در کل زمانی که یک راه حل سریع نیازمند است، باشد. هرچند که با اجازه دادن به الگوریتم به سوئیچ سریع به مرحله استخراج، با تغییر سریع A و r ، بعد از چند مرحله ابتدایی الگوریتم دچار رکود می شود.به منظور بهبود کارایی الگوریتم، متدها و استراتژی های زیادی مطرح شده اند تا تنوع راه حل را افزایش دهند که منجر به تولید نسخه های مختلفی از الگوریتم خفاش شده است. از انواع مختلف این الگوریتم می توان به موارد زیر اشاره کرد :

-۱ الگوریتم خفاش بر مبنای منطق فازی [۶]

-۲ الگوریتم خفاش چند اهدافه [۷]

-۳ الگوریتم خفاش [۸] k-means

-۴ الگوریتم خفاش بر مبنای نظریه آشوب [۹]

-۵ الگوریتم خفاش باینری [۱۰]

-۶ الگوریتم خفاش برمبنای عامل تفاضلی و پرواز لوی [۱۱]

-۷ الگوریتم خفاش بهبود یافته [۱۲]

۴

در مورد الگوریتم خفاش پیشرفت های زیادی حاصل شده و همانطور که اشاره شد انواع مختلفی از این الگوریتم ارائه شده

است. در این قسمت اشاره ای ضمنی به گونه های دیگری از این الگوریتم خواهیم کرد. برای مثال در سال ۲۰۱۲، Wang و Yang از جهش برای افزایش تنوع راه حل های مناسب استفاده کردند و از این روش در زمینه ی تطابق تصویر استفاده کردند.
[۱۳]

علاوه بر این Wang و Guo در سال ۲۰۱۳ الگوریتم خفاش را با ااگوریتم هارمونی ترکیب کرده و گونه ای جدید با عنوان

الگوریتم خفاش هیبریدی را بوجود آوردند که در بهینه سازی عددی معیارهای تابعی کاربرد دارند. [۱۴]
– ۱ – ۶ کاربردهای الگوریتم خفاش

الگوریتم استاندارد خفاش و تعدد ورژن های مختلف آن نشانگر محدوده ی بالای کاربردهای آن است. در واقع از سال ۲۰۱۰

که یانگ این الگوریتم را مطرح کرد، الگوریتم خفاش تقریبا در تمامی زمینه های بهینه سازی، دسته بندی، پردازش تصویر

کاربرد داشته است.

در ادامه ی این مقاله مختصرا به برخی از کاربردهای مهم این الگوریتم اشاره شده است.
– بهینه سازی متوالی

– بهینه سازی ترکیبی و زمانبندی

– مسائل معکوس وتخمین پارامتر

– دسته بندی، خوشه بندی و داده کاوی

– پردازش تصویر

– منطق فازی

– ۲ نتیجه گیری

همانند تمامی الگوریتم های متاهیوریستیک، الگوریتم خفاش از مزیت سادگی و انعطاف پذیری برخوردار است. این الگوریتم
به آسانی قابل پیاده سازی است از این رو روشی انعطاف پذیر برای دامنه وسیعی از مسائل گوناگون به شمار می رود. به دلیل ویژگی های میزانسازی فرکانس، بزرگنمایی خودکار و کنترل پارامتر، این الگوریتم توانایی ارائه راه حل در مسائلی با

مقیاس بالا را دارا می باشد.
دلایل زیادی دال بر موثر و کارآمد بودن الگوریتم خفاش وجود دارد. در ذیل می توان به سه نکته ی اساسی درباره ی این
الگوریتم اشاره کرد:

– میزان سازی فرکانس : الگریتم خفاش از پژواک یابی و تنظیم فرکانس برای حل مشکلات بهره می گیرد. میزان سازی

عاملیتی را فراهم می کند که ممکن است شبیه به خصیصه ی کلیدی باشد که در بهینه سازی دسته ای ذرات و جست و جوی هارمونی مورد استفاده قرار می گیرد. بنابراین این الگوریتم مزایای سایر الگوریتم های مبتنی بر هوش جمعی را داراست.

۵

– بزرگنمایی خودکار : الگوریتم خفاش مزیت مشخص دیگری نسبت سایر الگوریتم های متاهیوریستیک را داراست و آن

این است که این الگوریتم توانایی بزرگنمایی خودکار در ناحیه ای که دارای راه حل محتمل است را دارد. سویچ خودکار از حالت اکتشافی به حالت استخراجی محلی نتیجه ی این بزرگنمایی است. از این رو این الگوریتم نرخ همگرایی بالایی
نسبت به سایر الگوریتم های متاهیوریستیک را دارد.

– کنترل پارامتر : بسیاری از الگوریتم های متاهیوریستیک از پارامترهای ثابت استفاده می کنند. این در صورتی است که

الگوریتم خفاش از کنترل پارامتر استفاده می کند. به این صورت که در مواقع ضروری می توان مقادیر مختلفی را به

پارامترهای A وr نسبت داد واین امر باعث می شود زمانیکه راه حل بهینه در دسترس است سویچ بین مراحل اکتشاف و

استخراج اتفاق بیفتد.

همانطور که گفته شد الگوریتم خفاش و سایر الگوریتم های متاهیوریستیک کارآمد هستند ولی نیاز به پیشرفت های بسیاری
دارند. چالش اصلی در این الگوریتم ها ، سرعت بخشیدن به نرخ همگرایی آنهاست. امید است این مقاله الهام بخش مقالات و

تحقیقات دیگری در این زمینه باشد.

منابع
[۱] Kennedy, J. and Eberhart ,R . : particle swarm optimization, Proc. IEEE Int.Conf. Neural

Networks. Perth, Australia, 1942 – 1945 (1995).
[۲] Altringham, J.D. : Bats: Biology and Behavior, Oxford University Press, 1996.

[۳] Colin T: The Variety of Life. Oxford University Press, 2000. [4] Xin-She, Yang. Bat algorithm: literature review and applications, Int. J.Bio-Inspired

Computation , Vol 5, No. 3, pp. 141 – 149 ,2013. [5] Yang, X.S. A new Metaheuristic Bat-Inspired Algorithm, in: Nature Inspired Cooperative Strategies for Optimization, studies in Computational Intelligence Vol. 284, Springer

Berlin, 2010, pp. 65-74. [6] Khan, K. Nikov, A., Sahai A. A fuzzy bat clustering method for ergonomic screening of office workplaces, S3T 2011,Advances in intelligent and soft computing, V. 101/2011, pp. 59-

۶۶, ۲۰۱۱ [۷] Yang, X.S. Bat algorithm for multi-objective optimization, Int.J.Bio-Inspired computation,
Vol 3, No. 5, pp 267- 274, 2011.
Kamorasamy, G. and Wahi, A. An optimized k-means clustering techniquensing bat [8]
algorithm, European J. Scientific Research, Vol. 84, No. 2, pp. 305- 310, 2012.
Lin, J. H., Chou,C. W., Yang, C. H.Tasi, H.L. A chaotic Levy flights bat algorithm for [9]
parameter estimation in nonlinear dynamic biological systems, J.Computer and Information
Technology, Vol.2, No.2,pp.56-63,2012.

[۱۰] Nakamura , R. Y. M., Pereira , L.A.M, Costa,K.A., Rodrigues,D., Papa, J.P., Yang X.S. BBA: A Binary Bat Algorithm for feature selection, in : 25th SIBGRAPI Conference on
Graphics , Patterns and Images, 22-25 Aug.2012, IEEE Publication, pp. 291-297.