پایان نامه با کلید واژه های بهبود عملکرد، جذب کننده، حل مسئله

جذب کننده است، انتخاب یک مقدار بزرگ برای این پارامتر ممکن است باعث همگرایی شود و بالعکس یک مقدار کوچک برای این پارامتر میتواند باعث افزایش زمان محاسباتی شود. در حقیقت یک پارامتری برای کنترل استخراج است. بنابراین انتخاب یک تابع افزایشی میتواند باعث بهبود عملکرد الگوریتم گردد. همچنین جهت سرعت قبلی یک ذره لزوما هم جهت نیروی برآیند نیست. بنابراین میتوان نتیجه گرفت که ضریب سرعت ، عمل استخراج را کنترل میکند و بنابراین میتوان یک تابع کاهشی را انتخاب کرد. ضرایب و مطابق روابط زیر تعریف میشوند:
, (3-58)
در این رابطه iter، شماره تکرار فعلی است و برابر تعداد کل تکرار است. با استفاده از این روابط با افزایش تعداد تکرار، به صورت خطی تا صفر کاهش پیدا میکند و به یک افزایش مییابد. بنابراین تعادل میان اکتشاف و نرخ سریع همگرایی برقرار میگردد. با در نظر گرفتن مقادیر این پارامترها، روابط موقعیت و سرعت هر ذره باردار به صورت زیر نوشته میشود:
(3-59)
(3-60)
و‌- قانون 6
در نظر گرفتن یک حافظهای که بهترین ذرات و مقادیر تابع شایستگیشان را نگهداری کند، میتواند بدون افزایش هزینه محاسباتی باعث بهبود عملکرد الگوریتم شود. بدین منظور حافظه ذرات باردار39 (CM)، برای ذخیره کردن تعدادی از بهترین ذرات تاکنون مورد استفاده قرار میگیرد. مزیت دیگر این حافظه این است که برای راهنمایی ذرات باردار در تکرار فعلی مورد استفاده قرار میگیرد. به عبارت دیگر بردارهایی که در این حافظه نگهداری میشوند، میتوانند به ذرات خارج از حافظه نیروی جاذبه وارد کنند. در عوض فرض میشود که همان تعداد از ذرات بد نمیتوانند به دیگر ذرات نیرو وارد کنند.
ز- قانون 7
دو مشکل اصلی در ارتباط با تعداد زیادی از الگوریتمهای فراکاوشی وجود دارد؛ اولین مساله تعادل میان اکتشاف و استخراج در آغاز، در ادامه و در انتهای جستجو است؛ و دومین مساله، چگونگی برخورد با وضعیتی است که یک ذره از محدودیت متغیرها تخلف کند.
اولین مساله به طور طبیعی با استفاده از قوانینی که گفته شد، حل شده است. هرچند به منظور حل دومین مشکل، یکی از سادهترین روشها، استفاده از نزدیکترین مقدار محدود شده برای متغیری است که تخلف کرده است. همچنین میتوان متغیری را که تخلف کرده است مجبور به بازگشت به موقعیت قبلی خود کرد؛ و یا این که میتوان مقدار حداکثر سرعت را کاهش داد تا تعداد کمتری از ذرات از مرزهای متغیرها تجاوز کنند. اگر چه این روشها ساده هستند ولی به اندازه کافی موثر نیستند و ممکن است منجر به کاهش اکتشاف در فضای جستجو شوند. این مشکل قبلا با استفاده از روشی که براساس الگوریتم جستجوی هارمونی است، حل شده است. برطبق این مکانیزم هر متغیری از بردار حل که از مرزهای متغیرها تجاوز کند، میتواند با استفاده از حافظه ذرات باردار، بازتولید شود:
(3-61)
که برابر است با امین متغیر در ذره . CMCR برابر است با نرخ انتخاب یک مقدار برای بردار حل جدید از مقادیر ذخیره شده در حافظه ذرات، و (1-CMCR) برابر است با نرخ انتخاب تصادفی یک مقدار از میان مقادیر مجاز. مرحله تنظیم درجه40 فقط زمانی اجرا میشود که یک مقدار از حافظه ذرات انتخاب شده باشد. مقدار (1-PAR) نشان دهنده این است که هیچ عملی انجام نشود و مقدار PAR برابر است با نرخ انتخاب یک مقدار از همسایگی بهترین ذره باردار.
‌و- قانون 8
معیار توقف برابر یکی از حالتهای زیر است:
* حداکثر تعداد تکرار:
فرآیند بهینهیابی پس از تعداد مشخصی تکرار, متوقف میشود، برای مثال 1000 تکرار.
* تعداد تکرارهای بدون بهبود در حل:
عمل بهینهیابی پس از تعداد مشخصی تکرار بدون هیچ گونه بهبود در حلهای به دست آمده متوقف میشود.
* حداقل خطای تابع شایستگی:
تفاوت میان مقادیر بهترین تابع شایستگی و بهترین حل کلی از آستانه انتظار از پیش تعیین شده کمتر شود.
* تفاوت میان بهترین و بدترین ذره:
اگر تفاوت میان مقادیر تابع شایستگی بهترین و بدترین ذره از یک دقت مشخصی کمتر شود, عمل بهینهیابی متوقف میشود.
* حداکثر فاصله میان ذرات:
حداکثر فاصله میان ذرات از یک مقدار از پیش تعیین شده کمتر شود.
با استفاده از قوانین ذکر شده میتوان روش جستجوی سیستم ذرات باردار را مورد استفاده قرار داد. مراحل زیر نحوه انجام این الگوریتم را نشان میدهد:
مرحله 1: آغاز
گام 1: تعیین موقعیت و سرعت اولیه ذرات (قوانین 1و2).
گام 2: تعیین مقادیر تابع شایستگی ذرات و مرتب کردن آنها به صورت افزایشی.
گام 3: ذخیره تعداد CMS عدد از بهترین ذرات و مقادیر تابع شایستگیشان.
مرحله 2: جستجو
گام 1: تعیین احتمال حرکت هر ذره به سمت ذرات دیگر (قانون3) و محاسبه بردار نیروی جذب کننده برای هر ذره (قانون 4).
گام 2: حرکت هر ذره به سمت موقعیت جدید و پیدا کردن سرعت آنها (قانون 5).
گام 3: در صورتی که هر ذره از فضای جستجوی مجاز تجاوز کند، موقعیت آن با استفاده از قانون 7 تصحیح شود.
گام 4: تعیین و مقایسه مقادیر تابع شایستگی ذرات جدید و مرتب کردن آنها به صورت افزایشی.
گام 5: اگر تعدادی از بردارهای جدید، از بدترین بردارهای درون حافظه ذرات بهتر بودند، این ذرات جدید جایگزین ذرات بدتر در حافظه میگردند (قانون 6).
مرحله 3: کنترل معیار توقف
تکرار گامهای الگوریتم تا این که یک معیار توقف ارضا شود (قانون 8). فلوچارت این روش در شکل (3-22) آمده است.
برای تعداد زیادی از الگوریتمهای فراکاوشی، اگر همه افراد جمعیت (عوامل) در یک فضای کوچکی جمع شوند، به عبارتی همه عوامل در یک بخشی از فضای جستجو به دام بیفتند، دشوار بودن فرار از این حالت، مسالهای عادی است. داشتن یک تعادل خوب میان اکتشاف و استخراج، و با توجه به سه گام خود انطباقی، همکاری و رقابت در الگوریتم CSS این مشکل را میتواند حل کند.
شکل 3-22- فلوچارت الگوریتم سیستم جستجوی ذرات باردار (CSS)
3-6-3- راندمان قوانین CSS
به منظور تحقیق تاثیر تعدادی از قوانین این الگوریتم، تعدادی از الگوریتمهایی با اساس CSS به صورت زیر تعریف میشوند[159]:
حالت 1: قانون 3 تغییر میکند: نوع نیروی الکتریکی میان دو ذره به صورت تصادفی انتخاب میگردد.
حالت 2: قانون 4 تغییر میکند: هر ذره باردار میتواند به دیگری نیرو وارد کند؛ یعنی یک ذره بد میتواند به یک ذره خوب اثر بگذارد و برعکس .
حالت 3: قانون 4 تغییر میکند: فقط ذرات خوب میتوانند ذرات بد را جذب کنند.
حالت 4: قانون 5 تغییر میکند: همیشه و
حالت 5: قانون 5 تغییر میکند: همیشه و
این الگوریتمهای تغییر یافته برروی یک سازه خرپایی انجام شده است. نتایج به دست آمده از حالت 1 نشان میدهد که نیروهای دافعه باعث کاهش توان الگوریتم میشود.
اگرچه زمانی که یک ذره خوب به یک ذره بد نیروی جاذبه وارد کند، توانایی استخراج برای این الگوریتم فراهم گردیده است، و برعکس اگر یک ذره بد، یک ذره خوب را جذب کند، اکتشاف فراهم میگردد، با این وجود تفاوت میان حالتهای 2 و 3 با الگوریتم اصلی نشان دهنده این است که زمانی که همه ذرات بد، ذرات خوب را جذب کنند، یک بینظمی ایجاد خواهد شد و زمانی که فقط ذرات خوب جاذب ذرات بد باشند، همگرایی به سرعت اتفاق خواهد افتاد و جستجوی کامل انجام نخواهد شد. در نتیجه حداقل هزینه محاسباتی برای رسیدن به یک حل خوب در حالتهای 2 و 3 ممکن است افزایش پیدا کند.
برطبق قانون 5، در تکرار اول که ذرات از یکدیگر دور هستند، بزرگی نیروی برآیند وارد بر یک ذره به صورت معکوس متناسب است با مربع فاصله میان ذرات. بنابراین توان اکتشاف در این شرایط به دلیل عملکرد جستجوی بیشتر در تکرارهای اولیه، بالاتر است. با افزایش شماره تکرار، لازم است که استخراج الگوریتم افزایش پیدا کند و اکتشاف به تدریج کاهش یابد. پس از تعدادی جستجو، ذرات در یک فضای کوچکی جمع میشوند و فاصله میان آنها کاهش مییابد مثلا 0.1. سپس نیروی برآیند به جای متناسب بودن با معکوس مربع فاصله میان ذرات، متناسب با فاصله میان ذرات خواهد بود. اگر حالت 4 مورد استفاده قرار گیرد، نیروی وارده از طرف یک ذره به ذرهای دیگر که در فاصله 0.1 از آن قرار دارد، نسبت به حالتی که فاصله میان آنها 2 است خیلی بزرگتر خواهد بود که باعث میشود به جای این که ذرات در کنار یکدیگر جمع شوند، از یکدیگر فاصله بگیرند؛ در حالی که حالت 5 تضمین کننده همگرایی خواهد بود. بنابراین حالت 4 دارای اکتشاف قوی و استخراج ضعیف خواهد بود؛ و حالت 5 به صورت برعکس حالت 4 است. اگر این دو حالت به صورت همزمان در نظر گرفته شوند، تعادلی خوب میان اکتشاف و استخراج برقرار خواهد شد که در قانون 5 تعریف شده است. گذشته از این، با استفاده از قانون 5، فاز جستجوی کلی و فاز جستجوی محلی مجزا خواهند بود. به عبارت دیگر زمانی که بیشتر ذرات در فضایی به شعاع جمع شوند، جستجوی کلی به پایان میرسد و ادامه فرآیند بهینهیابی در جهت بهبود نتایج قبلی خواهد بود؛ یعنی جستجوی محلی آغاز میشود.
3-7- سایر الگوریتمها
در بندهای قبل به تعدادی از الگوریتمهای بهینهیابی اشاره شده است. در این بند برخی الگوریتمهای بهینهیابی که میتواند برای مسائل بهینهیابی مورد استفاده قرارگیرد، بیان شده است. الگوریتم توسعه ژنی (GEP)در سال 1999 بوسیله فریرا41 ابداع شد که توسعه‌ای طبیعی از الگوریتم ژنتیک(GAs) و برنامه‌نویسی ژنتیکی(GP) است. الگوریتم توسعه ژنی(GEP)، مانند الگوریتم ژنتیک(GAs)و برنامه‌نویسی ژنتیکی(GP)، یک الگوریتم42 ژنتیکی است که به عنوان جمعیت، از افراد استفاده می‌کند،که انتخاب آن‌ها با توجه به برازندگی بوده و معرفی تنوع ژنتیکی، با استفاده از یک یا چند اپراتور ژنتیکی است، اما میان مشخصه‌های طبیعی این سه الگوریتم، تفاوت اساسی وجود دارد. در الگوریتم ژنتیک، مشخصه‌ها بصورت رشته‌های نمادین با طول ثابت هستند(کروموزوم). در برنامه‌نویسی ژنتیکی(GP) مشخصه‌ها بصورت نهادی غیر‌خطی با اندازه‌ها و اشکال مختلف می‌باشند )درخت تجزیه43) و در الگوریتم توسعه ژنی(GEP) مشخصه‌ها به عنوان رشته‏های نمادین با طول ثابت(کروموزوم) هستند که سپس به عنوان نهادهای غیر‌خطی با اندازه‌ها و اشکال مختلف)درخت توسعه44( بیان شده‌اند .الگوریتم توسعه ژنی از همان نوع نمودارهای مورد استفاده برنامه‌نویسی ژنتیکی استفاده می‌کند اما نهادهای تولید شده بوسیله الگوریتم توسعه ژنی (GEP) (درخت توسعه) عبارت یک ژنوم هستند.
3-8- جمعبندی
در این فصل الگوریتمهای بهینهیابی بکار رفته در حل مسئله تشخیص آسیب ارائه شده است. پس از ارائه روشهای مختلف بهینهیابی، چهار الگوریتم از روشهای تکاملی یا فرا ابتکاری که در این رساله بکار رفتهاند، توضیح داده شده است. الگوریتم ژنتیک از جمله اولین الگوریتمهای مورد استفاده در بخش بهینهیابی میباشد که مورد استفاده قرار گرفته است و تا هم اکنون نیز کاربرد وسیعی دارد، در این رساله درجهبندی توانی در تابع صلاجیت مورد استفاده قرار گرفته است. همچنین از جمله الگوریتمهای نوین مورد استفاده در این رساله میتوان به بهینهیابی گروه ذرات، الگوریتم انفجار بزرگ و الگوریتم جستجوی سیستم باردار شده میباشند. برای آنکه بتوان حساسیت الگوریتمها بر روی روند تشخیص آسیب را کاهش داد از چهار الگوریتم نوین استفاده شده است.
لازم به ذکر است برای بالا بردن صحت پاسخها با الگوریتمهای بهینهیابی انتخاب پارامترهای و نوع تابع هدف اهمیت دارد. در فصل پنجم به توضیح این

مطلب مرتبط با این موضوع :  منابع پایان نامه با موضوعگرههای، روشهای، افزایش

دیدگاهتان را بنویسید