شبیه سازی الگوریتم بهینه سازی مگس میوه fly fruit در متلب
شبیه سازی الگوریتم بهینه سازی مگس میوه fly fruit در متلب :پروژه متلب
پروژه متلب : با توجه به اهمیت یافتن و کاربری غیرقابل انکار الگوریتم های فراابتکاری در حل کارای مسائل بهینه سازی ترکیباتی و همچنین ارائه روزافزون الگوریتم های زیستی فراابتکاری، در این مقاله دو الگوریتم نوین زیستی مورد بررسی قرار می گیرد. این دو الگوریتم عبارتند از شالیزار (PFA) و بهینه سازی مگس میوه (FOA)، ابتدا پس از مروری بر خاستگاه زیستی آنها، مراحل هریک از آنها شرح داده می شود و سپس با ذکر ویزگی های خاص هریک از این الگوریتم ها، کاربردها و نسخه های کاربردی آنها معرفی می گردد.
پروژه متلبالگوریتم مگس میوه در سال ۲۰۱۲ ارائه شد. این الگوریتم ساده و روان، بخشی از چالش های مرتبط با دشواری های الگوریتم های پیشین را برطرف نمود. اهمیت این الگوریتم آنجا است که روشی آسان و کارا در بهینه سازی را معرفی می کند که با استفاده از آن، مسائل بسیار زیادی را می توان حل نمود. این الگوریتم مشابه بسیاری از الگوریتم های دیگر فرا ابتکاری، بر اساس رفتار طبیعت (در اینجا مگس میوه)، طراحی شده است. در این آموزش ابتدا مبانی رفتار مگس میوه آموزش داده خواهد شد و سپس این الگوریتم معرفی می گردد. در نهایت اجرای این الگوریتم در متلب با استفاده از یک مثال کاربردی نشان داده خواهد شد.
پروژه متلبالگوریتم های الهام گرفته از طبیعت کاربرد گسترده ای در بهینه سازی مهندسی و ریاضی دارند. الگوریتم بهینه سازی مگس میوه FOA بعنوان یکی از تازه ترین روشهای مبتنی بر هوش ازدحام و با الهام از رفتار تغذیه ای مگس میوه پیشنهاد شده است. برای غلبه بر نواقص FOA اصلی، الگوریتم بهینه سازی مگس میوه بهبودیافته جدید با نام IAFOA در این مقاله ارائه می شود. IAFOA در مقایسه با FOA اصلی شامل چهار مکانیسم دیگر است: ۱٫ مکانیسم انتخاب تطبیقی برای جهت جستجو ۲٫ مکانیسم تنظیم تطبیقی برای مقدار گام تکرار ۳٫ مکانیسم جهش و تقاطع تطبیقی و ۴٫ مکانیسم زیر ازدحام چندگانه. مکانیسم زیرازدحام چندگانه برای جهت جستجو به افراد اجازه می دهد تا براساس تجربه تولیدهای قبلی، جهت بهینه را جستجو کنند. براساس مکانیسم تنظیم تطبیقی، مقدار گام تکرار را می توان براساس تکرار و بهترین غلظت بوی تولیدهای مختلف بطور خودکار تغییر داد.
پروژه متلب بعلاوه، مکانیسم جهش و تقاطع تطبیقی به معرفی عمل جهش و تقاطع به IAFOA پرداخته و توصیه می کند که افراد دارای ارزش برازش مختلف باید با احتمال جهش و تقاطع متفاوتی فعالیت کنند. مکانیسم زیرازدحام چندگانه می تواند اطلاعات بهینه را میان افراد دارای دو زیرازدحام توزیع کرده و سرعت همگرایی را زیادتر کند. برای نگاهی بر IAFOA پیشنهادی، تحلیل پیچیدگی محاسباتی و تحلیل همگرایی ارائه شده اند. نتایج تجربی مبتنی بر گروه ۲۹ تابع محک نشان می دهد که IAFOA بهترین عملکرد را در میان چندین الگوریتم هوشمند دارد و شامل پنج نوع FOA و پنج الگوریتم بهینه سازی هوشمند پیشرفته می باشد. پروژه متلب سپس، IAFOA برای حل سه مسئله بهینه سازی مهندسی با هدف تایید عملی بودن خود استفاده شده است و نتایج تجربی نشان می دهند که IAFOA بهترین راه حل را در مقایسه با ده الگوریتم دیگر می دهد.
خروجی متلب :
دیدگاه ها