جهش قورباغه

الگوریتم درهم آمیختن جهش قورباغه‌ها

Shuffled Frog Leaping Algorithm (SFLA)

الگوریتم “درهم آمیختن جهش قورباغه‌ها“ یک الگوریتم فرااکتشافی ممتیک است که با هدف پاسخ‌گویی به مسائل ترکیبیاتی بهینه‌سازی طراحی شده‌است. این الگوریتم که از طبیعت الهام گرفته شده‌است از دو قسمت جستجوی محلی و تبادل اطلاعات به صورت جهانی تشکیل شده است.

این الگوریتم از یک جمعیت مجازی از قورباغه‌ها تشکیل شده که به دسته‌های فرهنگی کوچک‌تر تقسیم می‌شوند. این جمعیت مجازی میزبان یا حمل‌کننده‌های مم‌ها، یا همان واحدهای انتقال فرهنگ، هستند. الگوریتم، جستجو را به صورت مستقل برروی ممپلکس‌ها انجام می‌دهد. این جستجو، با استفاده از الگوریتم بهینه‌سازی ازدحام ذرات برای مسائل گسسته انجام می‌شود با این تفاوت که تنها به صورت محلی جستجو می‌کند. برای یافتن پاسخ بهینه‌ی جهانی، قورباغه‌های مجازی، دسته‌های فرهنگی خود را متناوبا تغییر می‌دهند. برای این تغییر، روشی مشابه روش مورد استفاده در الگوریتم SCE استفاده می‌شود.

جهت دریافت فایل

PowerPoint

و فایل صوتی تصویری:

SWF

به آدرس زیر ایمیل بزنید.

[e-mail]

با تشکر از حسن انتخاب شما

مدیریت stuBartar

الگوریتم PSO

بهینه سازی ازدحام ذرات

Particle Swarm Optimization

الگوریتم بهینه سازی ازدحام ذرات (PSO)، که به نام الگوریتم پرندگان نیز مشهور است، یک خانواده از روش‌های هوش جمعی و یکی از الگوریتم های موفق در زمینه بهینه سازی پیوسته و گسسته می باشد. این روش بهینه سازی اولین بار در سال 1995 و با الهام از رفتار جمعی پرندگان و ماهی‌ها و بکارگیری مفاهیم الگوریتم‌های تکاملی, معرفی شد. الگوریتم بهینه سازی ازدحام ذرات مشابه با الگوریتم های تکاملی یک الگوریتم جمعیتی بوده که در آن تعدادی ذره که راه حل های کاندیدای یک تابع یا یک مسئله هستند، یک ازدحام (جمعیت) را تشکیل می‌دهند. این ذرات در فضای مسئله حرکت کرده و براساس تجربیات فردی خود و تجربیات جمعی سعی می‌کنند تا راه حل بهینه در فضای جستجو را بیابند. این روش بوسیله ابعاد و غیرخطی بودن مسئله خیلی تحت تأثیر قرار نگرفته و نتایج خوبی در محیط‌های استاتیک, نویزی و محیط های بطور پیوسته در حال تغییر می‌گیرد. این ویژگی‌ها به علاوه سادگی پیاده‌سازی، عدم الزام بر پیوستگی تابع هدف و توانایی وفق دادن به محیط پویا باعث شده که این الگوریتم در حوزه‌های بسیار مختلفی بکار برده شود.

جهت دریافت فایل

PowerPoint

و فایل صوتی تصویری:

SWF

به آدرس زیر ایمیل بزنید.

[e-mail]

با تشکر از حسن انتخاب شما

مدیریت stuBartar

الگوریتم رقابت استعماری

Imperialist Competitive Algorithm (ICA)

در این نوشتار، الگوریتم جدیدی برای جستجوی عام معرفی می‌شود که از رقابت‌های استعماری الهام گرفته شده است. بطور خلاصه، این الگوریتم، از چندین کشور در حالت اولیه شروع می‌شود. کشورها در حقیقت جوابهای ممکن مساله هستند و معادل کروموزوم در الگوریتم ژنتیک و ذره در بهینه‌سازی گروه ذرات هستند. همه‌ی کشورها، به دو دسته تقسیم می‌شوند: امپریالیست و مستعمره. کشورهای استعمارگر با اعمال سیاست جذب (همگون‌سازی) در راستای محورهای مختلف بهینه‌سازی، کشورهای مستعمره را به سمت خود می‌شکند. رقابت امپریالیستی در کنار سیاست همگون‌سازی، هسته‌ی اصلی این الگوریتم را تشکیل می‌دهد و باعث می‌شود که کشورها به سمت مینیمم مطلق تابع حرکت کنند. در این نوشتار به استعمار به عنوان جزئی لاینفک از سیر تکامل تاریخی انسان نگریسته شده و از چگونگی اثرگذاری آن بر کشورهای استعمارگر و مستعمره و نیز کل تاریخ، به عنوان منبع الهام یک الگوریتم کارا و نو در زمینه محاسبات تکاملی استفاده شده است.

جهت دریافت فایل

PowerPoint

و فایل صوتی تصویری:

SWF

به آدرس زیر ایمیل بزنید.

[e-mail]

با تشکر از حسن انتخاب شما

مدیریت stuBartar

الگوریتم جستجوی گرانشی

Gravitational Search Algorithm

الگوریتم جستجوی گرانشی یک رهیافت جدید برای حل مسائل بهینه سازی است. این الگوریتم که با الهام از قانون گرانش طبیعت، پیشنهاد شده است یک روش جدید از دسته الگوریتم های جستجو ابتکاری میباشد. در این روش عامل های جستجو، اجرامی هستند که با توجه به نیروی جاذبه ای که از سایر اجرام به آنها وارد می شود، درکی از فضای جستجو پیدا میکنند و با توجه به این درک به جستجوی فضای اطراف خود میگردند .

جهت دریافت فایل

PowerPoint

و فایل صوتی تصویری:

SWF

به آدرس زیر ایمیل بزنید.

[e-mail]

با تشکر از حسن انتخاب شما

مدیریت stuBartar

الگوریتم کرم شب تاب

Firefly Algorithm

نور چشمک های حشره های شب‌تاب در آسمان تابستان در مناطق معتدل و استوایی  منظره‌ی شگفت‌انگیزی را بوجود می آورد. در حدود دوهزار گونه حشره  شب‌تاب در مناطق مختلف جهان وجود دارد و اغلب آن‌ها نورهای ریتمیک و منظمی تولید می‌کنند. الگوی این تابش ها اغلب برای هر گونه‌ ی خاص یکتا و منحصر به فرد است. نور تولیدی از حشره های شب‌تاب ناشی از پدیده‌ی لومینانس زیستی یا زیست‌تابی است و ساختار هماهنگی این تابش ها بین اعضای یک گونه هنوز نامعلوم می باشد.

دو کاربرد اساسی  پرتوتابی حشره های شب تاب جفت‌یابی و جذب طعمه است. به علاوه، پرتوتابی ممکن است به صورت مکانیزم هشداری برای محافظت‌ به کار رود. پرتوتابی ریتمیک، نرخ چشمک ها و مدت هر یک از آن ها، سیستم ارتباط جفت‌ها با یکدیگر را شکل می‌دهد. ماده‌ها به الگوی یکسان نرها در گونه‌های یکسان پاسخ می‌دهند، در حالی که در تعدادی از گونه‌ها مانند photuris، حشره های شب‌تاب ماده می‌توانند الگوی تابشی جفت‌های گونه‌های دیگر را نیز تقلید کنند و با فریب حشره های شب‌تاب نر که ممکن است اشتباه کنند، آن‌ها را به سمت خود جذب و شکار کنند.

شدت تابش نور می‌تواند به طریقی فرموله شود که با تابع هدف در ارتباط باشد و بدین صورت مقدار این تابع بهینه شود.

جهت دریافت فایل

PowerPoint

و فایل صوتی تصویری:

SWF

به آدرس زیر ایمیل بزنید.

[e-mail]

با تشکر از حسن انتخاب شما

مدیریت stuBartar

تکامل تفاضلی

Differential Evolution (DE)

تکامل تفاضلی یک روش جست و جوی احتمالی بر پایه جمعیت است که در سال 1995 توسط ستورن و پرایس ابداع گردید. تفاضل تکاملی در حالی که تشابهاتی با سایر الگوریتم های تکاملی دارد اما استفاده از اطلاعات فاصله و جهت از جمعیت فعلی برای پیش بردن عملیات جست و جو آن را از سایر الگوریتم های تکاملی متمایز کرده است. الگوریتم تکامل تفاضلی اولیه برای مسائل فضای پیوسته به وجود آمدند ولی در ادامه برای مسائل فضای گسسته نیز تعمیم یافتند.

جهت دریافت فایل

PowerPoint

و فایل صوتی تصویری:

SWF

به آدرس زیر ایمیل بزنید.

[e-mail]

با تشکر از حسن انتخاب شما

مدیریت stuBartar

جستجوی فاخته

Cuckoo Search (CS)

روش جستجوی فاخته (CS) یک روش بهینه‌سازی فرااکتشافی است که رویکردی تکاملی در جستجوی راه‌حل بهینه دارد و در سال 2009 توسط Yang  و Deb پیشنهاد شده است. این روش از رفتار جالب توجه گونه‌هایی از پرنده‌ی فاخته در پرورش تخم الهام گرفته است و آن را با پرواز لووی که نوعی گشت تصادفی است ترکیب می‌کند.

برخی از گونه‌های فاخته به جای ساختن لانه، تخم‌های خود را در لانه‌ی پرنده‌ای از گونه‌های دیگر می‌گذارند و آن‌ها را با تقلید از شکل تخم‌ها و جوجه‌های پرنده‌ی میزبان وادار به مشارکت در بقای نسل خود می‌کنند.

پرواز لووی نوعی گشت تصادفی است که طول گام آن از یک توزیع مشخص پیروی می‌کند. با استفاده از این روش اغلب، راه‌حل‌های مشابه با راه‌حل فعلی و به ندرت راه‌حل‌های دور از آن در مرحله‌ی بعدی جستجو تولید می‌شود. با توجه به این ویژگی می‌توان با بهره‌گیری از پرواز لووی جستجوی محلی و سراسری را تنها با یک ساختار پیاده‌سازی کرد. بنابراین تعداد پارامترهای مورد نیاز برای اجرای الگوریتم کاهش می‌یابد. الگوریتم CS از سه قانون زیر تبعیت می‌کند:

1-    هر فاخته در هر زمان یک تخم می‌گذارد و آن را در یک لانه‌ی تصادفی قرار می‌دهد.

2-    بهترین لانه‌ها با کیفیت بالای تخم، نسل بعدی را تشکیل می‌دهند.

3-  تعداد لانه‌های میزبان ثابت است و تخمی که توسط فاخته گذاشته شده است، با احتمال  توسط پرنده‌ی میزبان کشف می‌شود. در این حالت پرنده‌ی میزبان می‌تواند تخم را دور بیاندازد یا لانه را ترک کرده، لانه‌ای جدید بسازد. برای سادگی، می‌توان کسرPa  از n تعداد لانه‌ها را با لانه‌های (راه‌حل‌های) جدید جایگزین نمود.

بررسی‌های انجام‌شده بر روی CS نشان داد که این روش برای بسیاری از مسائل دارای کارایی مناسبی است. این الگوریتم در آزمایش به دقت بالاتر و درصد موفقیت بالاتری نسبت بهDE  و PSO دست یافت.

روش جستجوی فاخته‌ی اصلاح‌شده (MCS)، بهبودی بر روش CS  است که با افزودن قدرت تعامل بین تخم‌ها می‌تواند با نتایج الگوریتم PSO  که دارای همین قابلیت است، رقابت کند و در توابعی با ابعاد بالا به طور مشخصی ازPSO  بهتر عمل کند.

جستجوی فاخته‌ی چندهدفه (MOCS) توسعه‌ی جستجوی فاخته برای مسائل چندهدفه است که به سادگی با قراردادن تعداد بیشتری تخم در یک لانه به جای یک تخم به این هدف دست یافته است. نتایج مقایسه‌ی این روش با دیگر روش‌های چندهدفه نشان‌دهنده‌ی قدرت این روش در حل این‌گونه مسائل است. به علاوه این روش در مسائل جهان واقعی با هدف‌ها و محدودیت‌های متفاوت، قادر به تولید مجموعه جواب‌های متفاوت با توزیع یکنواخت است.

CS تاکنون در کاربردهایی از قبیل یادگیری شبکه‌های عصبی پیشرو ، بهینه‌سازی طراحی سیستم جاسازی‌شده ، یادگیری شبکه‌های عصبی میخکوب‌کننده، طراحی عامل بازیMario  و برنامه‌ریزی پرستاران مورد استفاده قرار گرفته شده است و با توجه به نتایج گزارش‌شده، روش مناسبی برای آزمایش در دیگر کاربردها به نظر می‌رسد.

با توجه به نتایج پژوهش‌ها، دلیل قوت CS  استفاده از پرواز لووی و پیاده‌سازی جستجوی تصادفی به صورت کارا و نیز تعداد پارامترهای کمتر نسبت به دیگر روش‌ها  است و این ویژگی‌ها به علاوه‌ی سادگی آن به این روش کمک می‌کند تا با کارایی بالا در کاربردهای مختلف با شرایط متفاوت مورد استفاده قرار گیرد.

جهت دریافت فایل

PowerPoint

و فایل صوتی تصویری:

SWF

به آدرس زیر ایمیل بزنید.

[e-mail]

با تشکر از حسن انتخاب شما

مدیریت stuBartar

بهینه‌سازی مبتنی بر جغرافیا

Biogeography-Based Optimization (BBO)

بهینه سازی مبتنی بر زیست جغرافیا (BBO)، ارائه شده توسط سیمون ، یک الگوریتم بهینه‌سازی جهانی جدید بر پایه تئوری زیست جغرافیا است، که به مطالعه توزیع جغرافیایی ارگانیزم‌های زیستی می‌پردازد. مدل‌های ریاضی زیست جغرافی ، چگونگی مهاجرت گونه‌ها از یک جزیره به جزیره‌ی دیگر، چگونگی ظهور یک گونه‌ی جدید، و نحوه‌ی انقراض یک گونه را تشریح می‌کند.

مناطق جغرافیایی که مکان مناسبی برای سکونت گونه‌های زیستی هستند، دارای شاخص شایستگی بالا (Habitat Suitability Index) هستند. خصوصیاتی که با HSI ارتباط دارند، میزان بارندگی، تراکم پوشش گیاهی، مناطق خشک، و دماست. متغیرهایی که این شایستگی را شکل می‌دهند، متغیرهای شاخص شایستگی((Suitability Index Variabilityخوانده می‌شوند. SIVها می‌توانند متغیرهای مستقل از زیستگاه در نظر گرفته شوند وHSI متغیر وابسته.

فرض کنید که یک مسئله و چندین راه‌حل نامزد داریم. مسئله می‌تواند در هر زمینه ای (مهندسی، اقتصاد، داروسازی، تجارت، طراحی شهری، ورزش و ...)باشد و یک معیار قابل اندازه‌گیری برای شایستگی یک راه‌حل داریم. یک راه‌حل خوب شبیه یک جزیره با HSI بالاست و یک راه‌حل ضعیف یک جزیره با HSI پایین را نشان می‌دهد. به اشتراک گذاشتن اطلاعات در این روش با عملگر مهاجرت صورت می‌پذیرد. راه‌حل‌های با HSI بالا تمایل بیشتری برای به اشتراک گذاشتن خصوصیات با راه‌حل‌ها با HSI ضعیف دارند. راه‌حل‌های ضعیف، مقدار زیادی خصوصیات جدید از راه‌حل‌های خوب دریافت می‌کنند. اضافه شدن این خصوصیات جدید، کیفیت این راه‌حل‌ها را بالا می‌برد. این روش حل مسئله، بهینه‌سازی  مبتنی بر زیست جغرافیا BBO نامیده می‌شود.

توضیح کامل روش و پیاده‌سازی الگوریتم از آدرس http://academic.csuohio.edu/simond/bbo قابل دریافت می‌باشد.

جهت دریافت فایل

PowerPoint

و فایل صوتی تصویری:

SWF

به آدرس زیر ایمیل بزنید.

[e-mail]

با تشکر از حسن انتخاب شما

مدیریت stuBartar

زندگی مصنوعی

Artificial Life

در طول تاریخ مطالعه روی سیستم‌های زنده به علت تنوع و پیچیدگی زندگی و دشواری ایجاد شرایط کنترل شده در آزمایش‌ها روی سیستم‌های زنده، همواره با سختی‌هایی رو به رو بوده است. کنجکاوی روی سیستم‌های زنده و پیشرفت تکنولوژی راه حل جدیدی را در شناخت قوانین حاکم بر موجودات زنده به وجود آورد که این راه حل جدید به زندگی مصنوعی (Artificial Life) معروف گردید. شبیه سازی هر جنبه ای از زندگی با استفاده از برنامه کامپیوتری، ربات و یا زیست شیمی را زندگی مصنوعی می گویند. زندگی مصنوعی معمولا شامل : 1. شبیه سازی بخشی از یا کل یک سیستم زنده 2. مجموعه ای از سیستم های زنده می شود. در مباحث مربوط به زندگی مصنوعی آتاماتای سلولی (Cellular Automata) نقش مهمی دارد. از جمله سیستم های مطرح که برای مطالعه روی زندگی مصنوعی طراحی شده است می توان به موارد زیر اشاره کرد : Core World, Tierra, Avida

جهت دریافت فایل

PowerPoint

و فایل صوتی تصویری:

SWF

به آدرس زیر ایمیل بزنید.

[e-mail]

با تشکر از حسن انتخاب شما

مدیریت stuBartar

سیستم ایمنی مصنوعی

Artificial Immune System (AIS)

به طور کلی، سیستم‌های ایمنی مصنوعی جزء الگوریتم‌های الهام گرفته شده از بیولوژی هستند. این نوع الگوریتم‌ها، الگوریتم‍هایی کامپیوتری هستند که اصول و ویژگی‌های آنها نتیجه بررسی در خواص وفقی و مقاومت نمونه‌ها بیولوژیکی است. سیستم ایمنی مصنوعی نوعی الگو برای یادگیری ماشین است. یادگیری ماشین، توانایی کامپیوتر برای انجام یک کار با یادگیری داده‌ها یا از روی تجربه است. سیستم ایمنی مصنوعی توسط کاسترو به صورت زیر تعریف شده است:

سیستم های وفقی که با الهام از ایمونولوژی نظری و توابع، اصول و مدل های ایمنی مشاهده شده به وجود آمده‌اند و برای حل مسائل مورد استفاده قرار می‌گیرند.

دی کاسترو  و تیمیس تعریف بالا را برای AIS برگزیده اند و سه نکته را برشمردند که در هر الگوریتم ایمنی مصنوعی باید لحاظ شود:

1.       در هر الگوریتم ایمنی مصنوعی، حداقل باید یک جزء ایمنی مانند لنفوسیت ها وجود داشته باشد.

2.       در هر الگوریتم ایمنی مصنوعی باید ایده ای برگرفته از بیولوژی نظری یا تجربی استفاده شود.

3.       الگوریتم ایمنی مصنوعی طراحی شده باید به حل مسئله ای کمک کند.

بر اساس این سه ضابطه، دیکاسترو و تیمیس، اولین الگوریتم های ایمنی مصنوعی را در سال 1986 طراحی کردند. در همان سال فارمر مدلی برای تئوری شبکه ایمنی ارائه کرد و بر اساس این مدل  اعلام کرد که "سیستم ایمنی قادر به یادگیری، به خاطر سپردن و تشخیص الگوست." بعد از ادعای فارمر، توجه به AIS به عنوان یک مکانیزم یادگیری ماشین شروع شد. پس از آن به تدریج AIS، در زمینه‌های مختلف وفق پذیر و جذاب بودن خود را نشان داد. سیستم ایمنی علاوه بر توانایی تشخیص الگو، صفات دیگری از قبیل یادگیری، حافظه، خود سازماندهی و از منظر مهندسی، خصوصیات دیگری مانند تشخیص بی‌قاعدگی، تحمل خطا، توزیع‌پذیری و مقاومت بالا نیز دارد که در صورتی که AIS به طور صحیح ایجاد شود، AIS هم دارای این ویژگی‌ها خواهد بود.

از زمان آغاز بحث AIS، این سیستم برای اهداف متنوعی به کار گرفته شده است می‌توان اکثر این کاربردها را تحت سه عنوان بزرگ دسته‌بندی کرد. این سه عنوان عبارتند از:

1.       تشخیص بی قاعدگی

2.       بهینه سازی

3.       داده کاوی (کلاس بندی ، خوشه بندی و ...)

جهت دریافت فایل

PowerPoint

و فایل صوتی تصویری:

SWF

به آدرس زیر ایمیل بزنید.

[e-mail]

با تشکر از حسن انتخاب شما

مدیریت stuBartar