الگوریتم تکاملی تفاضلی (Differential evolution algorithm)

الگوریتم تکاملی تفاضلی (DE) نخستین بار در سال 1995 توسط استورن و پرایس معرفی شد.این دو نشان دادند که این الگوریتم توانایی خوبی در بهینه سازی توابع غیرخطی مشتق ناپذیر دارد که به عنوان روشی قدرتمند و سریع برای مسائل بهینه سازی در فضاهای پیوسته معرفی شده است.

الگوریتم (DE) جهت غلبه بر عیب اصلی الگوریتم ژنتیک، یعنی فقدان جستجوی محلی دراین الگوریتم ارائه شده است، تفاوت اصلی بین الگوریتم های ژنتیکی و الگوریتم (DE)در عملگر انتخاب selection operators می باشد.

در اپراتور انتخاب GA ،شانس انتخاب یک جواب به عنوان یکی از والدین وابسته به مقدار شایستگی آن می باشد،اما در الگوریتم DE  همه جواب ها دارای شانس مساوی جهت انتخاب شدن می باشند. یعنی شانس انتخاب شدن آنها وابسته به مقدار شایستگی آنها نمی باشد، پس از این که یک جواب جدید با استفاده از یک اپراتور جهش خود-تنظیم و اپراتور crossover  تولید شد،جواب جدید با مقدار قبلی مقایسه می شود و در صورت بهتر بودن جایگزین می گردد.

 در این الگوریتم  بر خلاف دیگر الگورتیم ها که اول عملگر crossover و سپس عملگر mutation انجام می شود به گونه ای که ابتدا عملگرجهش اعمال شده و سپس عملگر تقاطع اعمال می شود تا بدین وسیله نسل جدید ایجاد گردد.

 برای اعمال عملگر mutation از توزیع خاصی استفاده نمی شود بلکه طول گام جهش برابر با مقدار از فاصله میان اعضای فعلی تعیین می شود.

برای تولید جمعیت اولیه معمولا از توزیع یکنواخت استفاده می شود تا اعضای جمعیت کاملا به طور یکسان در فضا پخش شده و در هر مرحله از الگوریتم این اعضا به یکدیگر نزدیک می شوند و این همگرایی منجر به رسیدن به جواب بهینه خواهد شد همچنین باید توجه داشت که تعداد زیاد اعضای جمعیت می تواند کمک مناسبی با یافتن جواب بهینه باشد.

یکی از عوامل مهم در این الگوریتم تعیین مقدار مناسب ضریب مقیاس می باشد، به طوریکه که اگر این ضریب کوچک انتخاب شود ، طول گام ها در عملگر جهش کوچک تر می شود و زمان بیشتری برای جستجو صرف می گردد. همچنین اگر ضریب مقیاس در الگوریتم تکامل تفاضلی بزرگ در نظر گرفته شود باعث می شود این الگوریتم جواب های مناسب رو در نظر نگیرد. پس باید در تعیین این ضریب دقت بسیار زیادی صورت گیرد.

بعد از انجام جهش ، کراس اور انجام می شود، بدین صورت که عددی تصادفی بین صفر و یک تولید شده و اگر عدد تولید شده کمتر از میزان نرخ کراس اور باشد عنصر مورد نظر در آن عضو از جمعیت،از قسمت جهش برداشته می شود در غیر اینصورت عنصر مورد نظر از مقدار اولیه عضو برداشته می شود اینقدر این کار تکرار می شود تا تمامی اعضای یک عضو یا از قسمت جهش خورده یا از مقادیر اولیه خود انتخاب گردند. سپس ماتریسی جدیدی که تولید شده با ماتریس اولیه مقایسه می شود و اگر ماتریس جدید دارای هزینه کمتری باشد جایگزین ماتریس اولیه می شود. این کار برای تمامی اعضای جمعیت انجام می شود.

        

پاورپوینت :الگوریتم تکاملی تفاضلی (DE) - کد متلب الگوریتم

برچسب :تکامل تفاضلی - www.icasite.info

رمز تمامی فایل های داخل وبلاگ ((password:30viloptimization))

مفهوم کلی بهینه سازی

امر بهینه سازی درابتدا با توجه به تنوع الگوریتم های بهینه سازی در رشته عمران کمی گنگ به نظر می رسد اما توصیه اینجانب برای دانشجویان این رشته این است که ابتدا یک دید کلی ازمفهوم بهینه سازی رو در گرایش های مختلف داشته باشند بعد روی الگوریتم خود وتابع هدفی که می خواهند آن رو بهینه نمایند کار کنند باتوجه به اینکه خودم نیز در اوایل دید کلی نسبت به بهینه سازی نداشتم واین علم نیز کمی برایم ناشناخته بود لذا فرصت رو غنیمت شمرده و فایلی آماده کرده ام تا انشالله برای دوستانم مفید واقع شود.

                                                                                                                        با تشکر مدیر سایت

دانلود فایل : مطالعه علم بهینه سازی درگرایش های عمران - درباره بهینه سازی سازه ها

الگوریتم جستجوی ممنوعه(tabu search)

 

 

عبارت Tabu(Taboo) از یک زبان پلینیزی (زبان مردم جزیره تونگا) گرفته شده است و به معنای یک چیز منع شده توسط عرف جامعه به عنوان معیار مصونیت، و یا چیزی غدغن شده  به خاطر در برداشتن نوعی ریسک است ، ریسکی که درجستجوی ممنوع وجود دارد و باید از آن اجتناب کرد، دنبال کردن مسیری غیر بهره ور و روبرو شدن با وضع غیر مطلوب، بدون داشتن امید فرار است.

عناصر ممنوع در Tabu Search با ارجاع به حافظه مشخص می شوند، همچنین وضعیت اجزا یا موارد ممنوع در جستجوی ممنوع با تکیه بر یک حافظه استتاجی تعیین می‌شود که در آن می‌توان وضعیت مذکور را در طول زمان با توجه به شرایط تغییر داد که این حافظه کاملا قابل تعدیل و تطبیق است. چنانکه می دانید، الگوریتم های فرا ابتکاری بسیاری برای دستیابی به حـداقل یک جـواب خـوب ( نه لــزوما بهترین ) برای یک مسـالـه  NP-Hard بوجود آمده است که بسیاری از این روشها از یک مکانیزم Local Search بهره می گیرند.

     

  دانلود : جستجوی ممنوعه ppt - فایل pdf تهیه شده

 

  برچسب :  http://faraebtekari.ir

 

بهینه سازی به روش کلونی مورچگان (Ant colony optimization )

 الگوریتم کلونی مورچه برای اولین بار توسط دوریگو(Dorigo) و همکارانش به عنوان یک راه حل چند عامله (Multi Agent) برای مسائل مشکل بهینه سازی مثل فروشنده دوره گرد     (TSP :Traveling Sales Person) ارائه شد این الگوریتم الهام گرفته شده از مطالعات و مشاهدات روی کلونی مورچه هاست.

مورچه ها هنگام راه رفتن از خود ردی از ماده شیمیایی فرومون(Pheromone) بجای می گذارندکه این ماده بزودی تبخیر می شود ولی در کوتاه مدت بعنوان رد مورچه بر سطح زمین باقی می ماند.

آنها هنگام انتخاب بین دو مسیر بصورت احتمالاتی ( Statistical)  مسیری را انتخاب می کنند که فرومون بیشتری داشته باشد یا بعبارت دیگر مورچه های بیشتریرکه قبلا از آن عبور کرده باشند. حال دقت کنید که همین یک تمهید ساده چگونه منجر به پیدا کردن کوتاهترین مسیر خواهد شد 

ارتباط مابین کارگران ساختمانی مستقیم  و از طریق کلمات و.. ولی بین مورچه ها هیچ نوع ارتباط مستقیمی وجود ندارد وآن ها تنها بصورت غیر مستقیم و از طریق نشانه ها با یکدیگر در تماس اند گریس نام این رفتار را Stigmergie  گذاشت. 

  

فایل پاورپوینت تهیه شده : الگوریتم کلونی مورچه

لینک بهینه سازی کلونی :http://www.icasite.info/2010/06/ant-colony-optimization-aco.html

رمز تمامی فایل های داخل وبلاگ: ((password:30viloptimization))

 

 

خواهشمند است با نظرات خود اینجانب رو جهت هرچه بهتر عمل کرد این وبسایت راهنمایی نمایید. باتشکر توحید قنبری

 

الگوریتم (css) جستجوی ذرات باردار

 

CSS ازجدیدترین الگوریتم های فراکاوشی است که با استفاده از قوانین حاکم بر فیزیک الکتریسته اقدام به جستجوی فضای مسئله می کند، این روش در سال 2010 توسط پروفسور علی کاوه ودکتر طلعت اهری ابداع وبه اسم خودشان ثبت گردید.این روش از جمله جدیدترین الگوریتم های فراکاوشی است که قوانین مورد استفاده در این الگوریتم عبارتند از: قوانین کولمب و گوس از فیزیک وقوانین نیوتن از مکانیک کلاسیک .

 

معرفی الگوریتم  CSS

 

Css مثل اکثر الگوریتم های فراکاوشی دیگر مبتنی بر جمعیت بوده که جمعیتی از المانها فضای جستجو را برای یافتن بهترین جواب ، جستجو می کنند که هر عامل جستجو گر در این روش یک ذره باردارCp  نامیده می شود که مشابه یک کره باردار دارای شعاعی معلوم و باری متناسب با کیفیت جواب تولیدی ، خواهد بود، از این رو این ذرات قادر خواهند بود تا به همدیگر نیرو وارد کرده و باعث حرکت همدیگر شوند.

مکانیک نیوتنی مقدار حرکت ودر نتیجه موقعیت جدید ذره را تعیین خواهد کرد که در این حالت یک مرحله جستجو پایان می یابد ومرحله بعد جستجویه جدید آغاز می شود. درواقع مطابق این روش ،هر عامل جستجو گر مانند یک کره باردار الکتریکی در نظر گرفته می شود که می تواند سایر ذرات راتحت تاثیر قرار دهد یعنی آنها را جذب و دفع کند.از نقاط قوت این الگوریتم فراکاوشی نسبت به سایر الگوریتم ها این است که سه مفهوم اساسی در روش های بهینه سازی نظیر مرحله خود انطباقی، مرحله همکاری و مرحله رقابت به خوبی برای این الگوریتم در نظر گرفته شده است. 

مانند بسیاری از روشهای فرا کاوشی، روش سیستم ذرات باردار یک روش چند عاملی است که به هر یک ازعوامل ، ذرات بارداریا CP گفته می شود که دارای بار الکتریکی برابر با qi است . بنابراین این ذرات یک میدان الکتریکی متناسب با qi  ایجاد خواهند کرد.مقدار qi  باید طوری تعریف شود که ذرات با جوابهای خوب دارای میدان الکتریکی بزرگتر و در نتیجه نیروی بیشتری باشند. نکته مهم اینکه موقعیت اولیه ذره به صورت تصادفی انتخاب می شود وسرعت اولیه تمام ذرات باردار صفرv_(i,j)^((0))=0  در نظر گرفته میشود.  

  لینک 1  :  Optimization of structures  - دانلود مقالات   <<< بروزرسانی جدید

  لینک 2  : رساله دکتری سیامک طلعت اهری در دانشگاه تبریز