الگوريتم بهينه‌سازي اجتماع مورچگان بر مبناي گراديان براي فضا‌هاي پيوسته

Gradient-based Ant Colony Optimization for Continuous Spaces

در اين تحقيق يك نسخه جديد از الگوريتم بهينه‌سازي اجتماع مورچه‌ها كه توانايي جستجو در فضاي پيوسته را دارد، ارائه مي‌شود. ساختار و مفاهيم اصلي الگوريتم اوليه بهينه‌سازي اجتماع مورچه حفظ شده و تعميم و توسعه آن به فضاي پيوسته انجام و پياده‌سازي شده است. خاصيت ارتباط غير مستقيم از طريق محيط (استيگمرجي) با تعدادي بردار گراديان نرمال شده شبيه‌سازي شد. براي اينكه همه مورچه‌‌ها بتوانند محيط را حس كنند، اين بردارها توسط يك حافظه مشترك نگهداري مي‌شوند. الگوريتم بهينه‌سازي پيشنهادي، بر روي توابع خاصي كه به عنوان محك در مسائل بهينه‌سازي فضاي پيوسته به كار مي‌روند، امتحان شده است. نتايج به دست آمده از اين الگوريتم با نتايج الگوريتم هاي تكاملي مانند الگوريتم ژنتيكي، استراتژي تكاملي و برنامه‌نويسي تكاملي مقايسه شده و از لحاظ دقت و حجم محاسبات مورد نياز نتايج حاصل از الگوريتم پيشنهادي به خوبي با الگوريتمهاي ديگر قابل رقابت و در بعضي موارد بهتر است.

A novel version of Ant Colony Optimization (ACO) algorithms for solving continuous space problems is presented in this paper. The basic structure and concepts of the originally reported ACO are preserved and adaptation of the algorithm to the case of continuous space is implemented within the general framework. The stigmergic communication is simulated through considering certain direction vectors which are memorized. These vectors are normalized gradient vectors that are calculated using the values of the evaluation function and the corresponding values of object variables. The proposed Gradient-based Continuous Ant Colony Optimization (GCACO) method is applied to several benchmark problems and the results are compared and contrasted with other population-based algorithms such as Evolutionary Strategies (ES), Evolutionary Programming (EP), and Genetic Algorithms (GA). The results obtained from GCACO compare satisfactorily with those of other algorithms and in some cases are superior in terms of accuracy and computational demand.