ارائه يك مدل جديد ممتيكي مبتني بر اتوماتاي يادگير ساختار ثابت

A New Memetic Model based on the Fixed Structure Learning Automata

الگوريتم ممتيك يكي از انواع الگوريتم‌هاي تكاملي است كه با استفاده از جستجوي عمومي و جستجوي محلي فضاي حل مسأله را به صورت بهينه جستجو مي‌نمايد. تعادل بين جستجوي عمومي و محلي، همواره يكي از مسايل مهم در اين دسته از الگوريتم‌ها است. در اين مقاله يك مدل جديد ممتيكي با نام 2GALA ارائه شده است. اين مدل از تركيب الگوريتم ژنتيك و اتوماتاي مهاجرت اشيا كه نوع خاصي از اتوماتاي يادگير ساختار ثابت مي‌باشد، تشكيل شده است. در مدل ارائه‌شده جستجوي عمومي توسط الگوريتم ژنتيك و يادگيري محلي به وسيله اتوماتاي يادگير انجام مي‌شود. در اين مدل جهت افزايش سرعت همگرايي و فرار از همگرايي زودرس، به طور هم‌زمان از دو مدل يادگيري لاماركي و بالدويني استفاده شده است. در اين مدل تكاملي، جهت استفاده توأم از اثرات مثبت تكامل و يادگيري محلي، كروموزم‌ها به وسيله اتوماتاي مهاجرت اشيا بازنمايي شده‌اند. جهت نمايش برتري مدل ارائه‌شده نسبت به ساير روش‌هاي موجود، از اين مدل براي حل مسأله تناظر گراف استفاده گرديده است.

Memetic algorithm (MA) is a kind of evolutionary algorithms (EAs) that searches the problem solving space using local search and global search. The balance between global search and local search is one of the key issues in this algorithm. In this paper a new model is proposed, called GALA2. This model is combined of genetic algorithm (GA) and object migration automata (OMA), which is a kind of fixed-structure learning automaton. In the proposed model, global search is performed by genetic algorithm and local learning is performed by learning automata. In this model, the Lamarckian and Baldwinian learning models have been used to increase the convergence rate and avoidance of premature convergence, simultaneously. In this evolutionary model, chromosomes are represented by object migration automata for the purpose of using positive effects of evolution and local learning. In order to show the superiority of the proposed model, GALA2 is used to solve the graph isomorphism problem.