الگوريتم ژنتيك بهبود يافته مبتني بر راهكار خودسازماندهي بحراني و حافظه گوسي براي حل مسائل بهينه‌سازي پويا

از آن­جايي­كه اجزاي پويا، همراه با محدويت­هاي غيرخطي و اهداف متعدد، يكي از خصوصيت­هايي است كه به­طور مكرر در مسائل دنياي واقعي ظاهر مي­شود و چون زمان زيادي است كه محاسبات تكاملي وارد حوزه كاربردهاي صنعتي شده است (به­خصوص به­علت توانايي آن­ها در مواجهه با محيط­هاي چندهدفه و غيرخطي) انتظار مي­رود كه هرچه زودتر توجه به اين زمينه در جامعه علمي رشد پيدا كند.امروزه استفاده از الگوريتم­هاي تكاملي كه بر اساس رفتارهاي زيستي طبيعي به­وجود آمده­اند براي حل اين مسائل از اهميت ويژه­اي برخوردار هستند. از جمله اين الگوريتم­ها مي­توان به الگوريتم ژنتيك اشاره نمود. هدف اين مقاله و ادعاي اصلي آن، امكان طراحي پروتكل­هاي الهام گرفته از طبيعت در الگوريتم ژنتيك است كه روي بهينه­سازي در محيط­هاي پويا موثر باشد، در حالي­كه پيچيدگي الگوريتم را حفظ كند و تغييرات در فضاي مسئله به­صورت دوره­اي رخ دهد. در اين مقاله، يك الگوريتم ژنتيك بهبوديافته (خودسازمانده بحراني) مبتني بر حافظه براي حل مسائل­بهينه­سازي پويا ارائه شده است. در الگوريتم ارائه­شده، از يك عملگر جهش خودسازمانده كه مبتني بر مدل تپه شني است، استفاده شده است. عملگر جهش خودسازمانده يك عملگر جهش هست كه مي­تواند نرخ­هاي جهش خودتنظيم­شونده را با يك توزيع ويژه بر مبناي مدل تپه شني انجام دهد كه اين براي بهينه­سازي پويا مناسب است. اگر تغييرات به­صورت دوره­اي رخ دهند، به­طور معمول استفاده از اطلاعات گذشته اجازه مي­دهد الگوريتم به­سرعت بعد از تغيير محيط به سازگاري در شرايط محيطي جديد برسد. ايده مورد نظر در اين زمينه، استفاده از يك حافظه مي­باشد. يكي از چالش­هاي اساسي در به­كارگيري حافظه، تنوع مي­باشد. براي افزايش سطح تنوع از يك حافظه تخمبن تراكم با خوشه­بندي گاوسي استفاده شده است. همچنين از راهكاري براي جايگزيني و بازيابي در حافظه استفاده شده است. در طرح پيشنهادي ابتدا جهش خودسازمانده بحراني جديد، با ساير الگوريتم­هاي ژنتيك ارائه شده توسط ساير محققين تركيب شده ونتايج حاصل شده نشان مي­دهد كه اين روش توانسته به­كرات ساير الگوريتم­هاي ژنتيك را براي محيط­هاي پويا بهبود بخشد. در نهايت روش پيشنهادي اين مقاله كه تركيب خودسازماندهي بحراني جديد با حافظه تخمين تراكم گوسي است ارائه شده است. نتايج اين روش با ساير روش­هاي مشابه كه با راهكار جهش خودسازمانده جديد نتايجشان بهبود داده شده است، مقايسه خواهد شد. نتايج حاصل بر روي مسائل محك مختلف باعنوان توابع تله پويا، آزمايش شده است. نشان داده شده كه روش پيشنهادي، حتي از روش­هاي رقيب كه با روش جهش خودسازمانده جديد، بهبود يافته­اند نتايج مناسب­تري را توليد كرده است. معيار ارزيابي در اين مقاله معيار كارآيي برون­خطي مي­باشد. نتايج آزمايش­ها نشان مي­دهند كه روش پيشنهادي موثر هست چراكه با روش­هاي ديگر در پارامترهايي از محيط­هاي پويا مقايسه گرديده كه آن­ها بهترين كارايي را دارا هستند.

Dynamic components, nonlinear limitation, and multi-objectives are characteristics that we face in the real world. Nowadays, using transmutation algorithms based on biological behaviors is spread e.g. Genetic algorithm. This study tried to design optimization protocol, inspired by Genetic algorithm. Such algorithm tries to keep its complexity and variation in question scope will happen periodically. In other words, this study proposes an optimized Genetic algorithm to solve dynamic optimization problems. A new self-mutate operator based on the sandhill model was used in this algorithm. a self-mutate operator is a new mutate operator which can predict self-regulated mutation rates based on the sandhill distribution model. This model can match the new cope condition If variations happen periodically. Switching to a new situation is based on memory. One of the issues of using memory is diversity. a density prediction memory with gaussian clusters was used to increase memory diversity. The new method showed better results compare to the other genetic algorithms. Results were compared with the other self-mutate methods. Also, results were tested with on different functions such as royal road, one max, and deceptive. The phase results were much better than the opponent methods. Since the parameters of the proposed method will not increase in comparison with other algorithms, It can be used in real-world applications.