الگوریتم مورچگان
3d render, white female mannequin hands isolated on black background, holding gold ball, body parts, fashion concept, esoteric fortuneteller, sacred geometry, global care symbol, clean minimal design

الگوریتم مورچگان

مسئله عمومی در این روش یافتن کوتاه­ترین مسیر بین دو رأس در یک گراف است. در ابتدا هر یال یک مقدار تصادفی به عنوان فرومون اولیه دریافت می­ کند  و در طول اجرای الگوریتم غلظت­ فرومون[۲] برخی از مسیرها (احتمال پذیرش مسیر) افزایش می­یابد به طوری­که مسیرهای بهینه انتخاب شود.

 

  • شبکه های عصبی[۳]

تحقیقات در این زمینه نشان داده است که مغز، اطلاعات را همانند الگو‌ها  ذخیره می‌کند. فرآیند ذخیره‌سازی اطلاعات به‌صورت الگو و تجزیه و تحلیل آن الگو‌، اساس روش نوین محاسباتی را تشکیل می‌دهند. این حوزه از دانش محاسباتی به هیچ وجه از روش‌های برنامه‌نویسی سنتی استفاده نمی‌کند و به‌جای آن از شبکه‌های بزرگی که به‌صورت موازی آرایش شده‌اند و تعلیم یافته‌اند، بهره می‌جوید.

  • الگوریتم جهش قورباغه[۴]

در این الگوریتم یک جمعیت شامل دسته­ای قورباغه می­باشد. این جمعیت (جواب) به زیرمجموعه­هایی تقسیم می­شود. هر یک از زیر مجموعه­ها به جستجوی محلی می ­پردازد. این فرآیند و عمل جستجوی محلی تا زمانی ادامه می­یابد که شرط همگرایی برآورده شود.

  • الگوریتم زنبور عسل[۵]

در این الگوریتم با دریافت دامنه تغییرات هر یک از متغیرها و تحلیل حالت بی­شمار تلفیق دامنه­ها با یکدیگر، حالت بهینه را بدست می­آورد.

  • الگوریتم اجتماع پرندگان[۶]

در طراحی روش­های فراابتکاری، دو معیارمتناقض شامل کاوش در فضای جواب و تبعیت از بهترین راه­حل­های پیدا شده باید درنظر گرفته شود. این روش­ها را می­توان برای مسائل ساده با ابعاد بزرگ یا با محدودیت­های زمان واقعی (مسائلی که نیاز به حل در همان زمان دارند) و یک مسئله سخت(Np-hard)، مسائل با توابع هدف یا محدودیت­های پیچیده، مدل­های غیر­تحلیلی مسائل بهینه­سازی و یا در شرایط غیرقطعی کاربرد دارد (فتاحی، ۱۳۹۰).

  • الگوریتم ممتیک

الگوریتم ممتیک گونه­ای از الگوریتم­های تکاملی است که در آن جستجو­های ابتکاری محلی با الگوریتم ژنتیک ترکیب می­شوند تا در زمان کمتر نتایج بهتری به دست آید ( کاتالیو و جیم، ۲۰۰۵ ).

  فایل متن کامل این پایان نامه در سایت abisho.ir موجود است.

الگوریتم­های ژنتیک برای شناسایی بخش وسیعی از فضای جستجو ایجاد می­شوند، در حالی که جستجوی محلی می ­تواند حوزه نزدیک به هر پاسخ یافته شده توسط الگوریتم ژنتیک را (که به آن همسایگی گفته می­شود) برای یافتن پاسخ­های بهتر مورد جستجو قرار دهد. این که برای پیاده­سازی یک الگوریتم ممتیک و در بخش ژنتیک آن از چه عملگرهایی و یا برای جستجوی محلی از کدام روش استفاده شود، نتایج اجرای بسیار متفاوتی خواهد داشت (جولا و خاتون­ناصری، ۲۰۰۷).

  • رنگ­آمیزی گراف

هر گراف شامل چندین راس یا گره است که با یک سری یال به یکدیگر متصل هستند. به دو راسی که با یک یال به یکدیگر متصل شده ­اند راس مجاور یا همسایه گفته می­شود. مساله رنگ­آمیزی گراف( GCP)، به این صورت است که با داشتن گراف G، حداقل تعداد رنگ­های لازم برای رنگ آمیزی رئوس گراف را می­یابد طوری که هیچ دو راس مجاوری همرنگ نباشند. حداقل تعداد رنگ­های لازم برای این کار، عدد رنگی گراف نامیده می­شود.

برای تبدیل مسئله جدول زمان­بندی می­توان تدریس­ها را به عنوان گره در گراف در نظر گرفت و در صورتیکه دو تدریس  از نظر هم­زمانی با یکدیگر غیرمجاز  باشند  بین آن دو گره یک یال رسم کرد. برای رنگ­آمیزی گراف تشکیل شده، دوره­های زمانی به عنوان رنگ در نظر گرفته می­شود و به گره­ها (تدریس­ها)، هر کدام یک رنگ (زمان) الصاق می­شود، به طوری که هیچ دو گره مجاوری دارای رنگ (بازه زمانی) مشابهی نباشند. رنگ­های در نظر گرفته شده برای هر گره بایستی طوری باشد که محدودیت­های سخت را ارضا کند.

[۱] -Ant Colony Algorithm(ACO)

[۲] – Pheromones

[۳] -Neural Network

[۴] -Shuffied Frog Leaping(SFL)

[۵] -Haney Bees Mating Optimization(HBMO)

[۶] -Particle Swarm Optimization(PSO)

برچسب گذاری شده با: ,

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

*