افزايش كارايي الگوريتم ژنتيك با استفاده از ماشين خودكار سلولي يك بعدي

Efficiency Enhancement of Standard Genetic Algorithm using One- Dimensional Cellular Automata

الگوريتم ژنتيك در حل بسياري از مسايل بهينه سازي الگوريتم قدرتمندي است كه كارايي آن به ميزان زيادي تحت تاثير انتخاب صحيح پارامترها و عملگرهاي آن نظير تعداد كروموزوم جمعيت، نوع عملگر تقاطع، جهش و... قرار دارد. تا كنون روشهاي مختلفي به منظور افزايش كارايي الگوريتم ژنتيك پيشنهاد شده است. در اين مقاله براي اولين بار از يك روش محاسبه برازندگي جديد مبتني بر ماشين خودكار سلولي(CA) به منظور افزايش كارايي الگوريتم ژنتيك (GA) استفاده شده است. الگوريتم تركيبي پيشنهادي در نهايت به منظور تعيين مينيمم 5 تابع شناخته شده در زمينه بهينه‌سازي با 5 و 10 متغير مورد استفاده قرار گرفت. نتايج نشان داد كه الگوريتم تركيبي CA-GA در مقايسه با الگوريتم ژنتيك استاندارد از دقت بيشتري در پيدا كردن بهترين مينيمم توابع مورد بهينه سازي برخوردار است. همچنين الگوريتم تركيبي CA-GA به لحاظ زمان رسيدن به بهترين مينيمم گلوبال ( زمان همگرايي) در حدود 5 برابر كمتر از الگوريتم ژنتيك استاندارد مي باشد.

Genetic Algorithm is a powerful algorithm for solving optimization problems. Its performance is affected by appropriate selection of its parameters and operators such as size of population, type of crossover, mutation, etc. Different methods have been suggested to enhance the performance of standard Genetic Algorithm (sGA). In this paper, we propose a new method based on one dimensional Cellular Automata (1D CA) to enhance the performance of sGA. The proposed hybrid CA-GA algorithm then has been used to find the minimum of five well-known test functions (with 5 and 10 dimension). Results showed that the hybrid CA-GA algorithm has a greater accuracy compared with sGA in finding the best minimum of test function. Also, the convergence speed of hybrid CA-GA algorithm to the exact global minimum is clearly more than sGA.