MatlabTuts

بهینه سازی(optimization)

مساله بهینه سازی را می توان به زبان ساده و قابل فهم ریاضی، اینگونه بیان نمود:

فرض کنید یک تابع ریاضی مانند f(x) دارید، هدف از بهینه سازی تابع f ، پیدا کردن *x ای در دامنه تابع بظوری که f در آن مینیم(ماکزیمم) مقدار را داشته باشد.

تاکنون، روش های گوناگونی برای حل مسائل بهینه سازی معرفی شده است. اکثر مسائل دنیای واقعی np-hard هستند و روش های دقیق ریاضی برای حل آنها کارامد نیستند و با افزایش ابعاد مساله، بصورت نمایی حالت موجود برای جواب افزایش می بابد که حل دقیق آنها بسیار سخت و مستلزم زمان و منابع بیشتر است. بنابراین، همین امر موجب شده است روش های غیر دقیق از جمله روش های فراابتکار برای محققین از محبوبیت بیشتری برخوردار باشد که در سال های اخیر بطور گسترده در مقالات از آن ها استفاده شده است.

الگوریتم فراابتکاری تعاونی

انواع مختلفی، الگوریتم فراابتکاری در ادبیات و مقالات موجود و معرفی شده اند که هر کدام عملگرهای خاص خودشان را برای بروزرسانی جواب های اولیه تولید شده بطور تصادفی دارند. ایجاد تعادل بین اکتشاف(exploration) و بهره برداری(exploitation) در این الگوریتم های یک امر مهم و اساسی است. عملگرها و تعاریف موجود در این الگوریتم ها به تنهایی از نقاط ضعف و قوت خاصی برخوردار هستند که ایده استفاده از این عملگرهای مختلف در کنار هم برای پر کردن کاستی های یکدیگر و افزایش کارایی الگوریتم می تواند مناسب باشد.

الگوریتم فراابتکاری تعاونی پیشنهاد شده در مقاله زیر

Cooperative Meta-heuristic Algorithms for Global
Optimization Problems

از همین ایده کمک گرفته و روش جدیدی را برای بهینه سازی ارائه داده که از عملگرهای بروزرسانی بردار جواب شش الگوریتم فراابتکاری متفاوت استفاده نموده است و عملکرد روش پیشنهادی را روی توابع محک cec2017 ارزیابی کرده است.

Problem Definitions and Evaluation Criteria for the CEC 2017
Special Session and Competition on Single Objective
Real-Parameter Numerical Optimization

کد متلب الگوریتم ارائه شده در این مقاله را می توانید به همراه سایر منابع مهم و مرتبط از طریق لینک زیر دانلود نمایید.

همچنین، جزئیات و توضیحات کد را می توانید بصورت فیلم از لینک زیر مشاهده کنید.