حل مشکلات بهینه سازی با استفاده از الگوریتم سیاه چاله

بهینه سازی ، بهینه سازی متا-هوریستی ، الگوریتم سیاه چاله ، بهینه سازی swarm ذرات ، الگوریتم ژنتیکی.

خلاصه

رویکردهای مختلف بهینه سازی متا-هوریستی اخیراً در مناطق مختلف ایجاد و کاربردی شده است. بسیاری از این رویکردها از رفتارهای ازدحام در طبیعت الهام گرفته شده اند. در این مقاله به بررسی مشکلات بهینه سازی با استفاده از الگوریتم سیاه چاله (BHA) که یک الگوریتم مبتنی بر جمعیت است ، می پردازد. از آنجا که عملکرد این الگوریتم در کارکردهای ریاضی مورد آزمایش قرار نگرفت ، ما این مسئله را با استفاده از برخی از کارکردهای استاندارد مطالعه کرده ایم. نتایج BHA با نتایج الگوریتم های GA و PSO مقایسه می شود که نشان می دهد عملکرد BHA بهتر از دو الگوریتم ذکر شده دیگر است.

منابع

[1] Rashedi ، E. ، H. Nezamabadi-Pour ، and S. Saryazdi ، GSA: یک الگوریتم جستجوی گرانشی. علوم اطلاعات ، 2009. 179 (13): ص. 2232-2248. http://dx. doi.org/10. 1016/j. ins. 2009. 03. 004.

[2] Woeginger ، G. J. ، الگوریتم های دقیق برای مشکلات NP-HARD: یک نظرسنجی ، در بهینه سازی ترکیبی-Eureka ، شما کوچک می شوید! 2003 ، اسپرینگر. پ. 185-207. http://dx. doi.org/10. 1007/3-540-36478-1_17.

[3] Pozzi ، L. ، K. Atasu و P. Iee ، الگوریتم های دقیق و تقریبی برای گسترش مجموعه های دستورالعمل پردازنده تعبیه شده. طراحی رایانه ای مدارها و سیستم های یکپارچه ، معاملات IEEE در ، 2006. 25 (7): ص. 1209-1229. http://dx. doi.org/10. 1109/tcad. 2005. 855950.

[4] پارک ، H. و K. Shim. الگوریتم های تقریبی برای ناشناس بودن K. در مجموعه مقالات کنفرانس بین المللی ACM SIGMOD 2007 در مورد مدیریت داده ها. 2007: ACM. http://dx. doi.org/10. 1145/1247480. 1247490.

[5] Aksoy ، L. ، et al. ، الگوریتم های دقیق و تقریبی برای بهینه سازی منطقه و تأخیر در ضرب های ثابت چندگانه. طراحی رایانه ای مدارها و سیستم های یکپارچه ، معاملات IEEE در ، 2008. 27 (6): ص. 1013-1026. http://dx. doi.org/10. 1109/tcad. 2008. 923242.

[6] کلین ، P. N. و N. E. جوان. الگوریتم های تقریبی برای مشکلات بهینه سازی NP. در الگوریتم ها و تئوری کتابچه محاسبات. 2010: چاپمن و هال/CRC.

[7] Guo ، H. و W. H. HSU ، رویکرد یادگیری ماشین به انتخاب الگوریتم برای مشکلات بهینه سازی Mathca l-Hard: یک مطالعه موردی در مورد مشکل MPE. سالنامه های تحقیقات عملیات ، 2007. 156 (1): ص. 61-82. http://dx. doi.org/10. 1007/S10479-007-0229-6.

[8] Quiroz ، M. ، et al. ، بهبود عملکرد الگوریتم های اکتشافی بر اساس تجزیه و تحلیل داده های اکتشافی ، در پیشرفت های اخیر در سیستم های هوشمند ترکیبی. 2013 ، اسپرینگر. پ. 361-375. http://dx. doi.org/10. 1007/978-3-642-33021-6_29.

[9] آیا Prado ، P. F. ، و همکاران. یک مطالعه ارزیابی عملکرد برای ترکیب خدمات وب آگاه QoS با استفاده از الگوریتم های اکتشافی. در ICDS 2013 ، هفتمین کنفرانس بین المللی جامعه دیجیتال. 2013.

[10] Hirsch ، E. ، et al. ، الگوریتم های بهینه اکتشافی برای تصویر یک عملکرد تزریقی. مجله علوم ریاضی ، 2013. 188 (1): ص. 7-16. http://dx. doi.org/10. 1007/s10958-012-1102-y.

[11] Lukasiewycz ، M. ، et al. OPT4J: یک چارچوب مدولار برای بهینه سازی متا-هوریستی. در مجموعه مقالات سیزدهمین کنفرانس سالانه محاسبات ژنتیکی و تکاملی. 2011: ACM.

[12] Mashinchi ، M. H. ، M. A.orgun ، and W. Pedrycz ، بهینه سازی ترکیبی با جستجوی TABU بهبود یافته. محاسبات نرم کاربردی ، 2011. 11 (2): ص. 1993-2006. http://dx. doi.org/10. 1016/j. asoc. 2010. 06. 015.

[13] Serrurier ، M. و H. Prade ، بهبود برنامه نویسی منطق القایی با استفاده از بازپخت شبیه سازی شده. علوم اطلاعات ، 2008. 178 (6): ص. 1423-1441. http://dx. doi.org/10. 1016/j. ins. 2007. 10. 015.

[14] Marinakis ، Y. ، M. Marinaki ، and G. Dounias ، بهینه سازی swarm ذرات برای تشخیص PAP-STEAR. سیستم های خبره با برنامه ها ، 2008. 35 (4): ص. 1645-1656. http://dx. doi.org/10. 1016/j. eswa. 2007. 08. 089.

[15] Van Sickel ، J. H. ، K. Y. لی ، و J. S. هئوتکامل دیفرانسیل و کاربردهای آن در کنترل نیروگاه. در برنامه های سیستم های هوشمند به سیستم های قدرت ، 2007. ISAP 2007. کنفرانس بین المللی در مورد. 2007: IEEE.

[16] چینگ ، A. ، استراتژی تکامل دیفرانسیل پویا و کاربردهای موجود در مشکلات پراکندگی معکوس الکترومغناطیسی. Geoscience و سنجش از راه دور ، معاملات IEEE در ، 2006. 44 (1): ص. 116-125. http://dx. doi.org/10. 1109/tgrs. 2005. 859347.

[17] رویکرد جدید Soleimanian ، F. ، I. Maleki و M. Farahmandian ، برای حل مشکل فروشنده مسافرتی پویا با الگوریتم های ژنتیکی ترکیبی و بهینه سازی کلونی مورچه ها. روش ها ، 2012. 53 (1).

[18] Castillo ، O. ، et al. ، مطالعه تطبیقی الگوریتم های الهام گرفته از زیستی برای بهینه سازی کنترل کننده های فازی نوع 1 و نوع 2 برای یک ربات موبایل خودمختار. علوم اطلاعات ، 2012. 192: ص. 19-38. http://dx. doi.org/10. 1016/j. ins. 2010. 02. 022.

[19] Wolpert ، D. H. and W. G. MacReady ، هیچ قضیه ناهار رایگان برای بهینه سازی وجود ندارد. محاسبات تکاملی ، معاملات IEEE در ، 1997. 1 (1): ص. 67-82. http://dx. doi.org/10. 1109/4235. 585893.

[20] یانگ ، X.-S. ، الگوریتم های متهوریستی با الهام از طبیعت. 2010: Luniver Press.

[21] Pooranian ، Z. ، et al. ، یک الگوریتم متا-هوریستی کارآمد برای محاسبات شبکه. مجله بهینه سازی ترکیبی ، 2013: ص. 1-22

[22] Talbi ، E.-G. ، MetaHeuristics: از طراحی تا اجرای. جلد74. 2009: جان ویلی و پسران. http://dx. doi.org/10. 1002/9780470496916.

[23] لین ، Y.-C. و M. Middendorf. بهینه سازی مبتنی بر جمعیت احتمالی ساده برای بهینه سازی ترکیبی. در Swarm Intelligence (SIS) ، سمپوزیوم IEEE 2013 در. 2013: IEEE.

[24] یانگ ، X.-S. ، بهینه سازی متائولیستی: الگوریتم ها و برنامه های الهام گرفته از طبیعت ، در هوش مصنوعی ، محاسبات تکاملی و متهوریستی. 2013 ، اسپرینگر. پ. 405-420. http://dx. doi.org/10. 1007/978-3-642-29694-9_16.

[25] Fister Jr ، I. ، et al. ، یک مرور مختصر از الگوریتم های الهام گرفته از طبیعت برای بهینه سازی. Arxiv preprint arxiv: 1307. 4186 ، 2013.

[26] Ninin ، J. and F. Messine ، یک روش متهوریستی مبتنی بر محدودیت حافظه شاخه بازه و الگوریتم های محدود. مجله بهینه سازی جهانی ، 2011. 50 (4): ص. 629-644. http://dx. doi.org/10. 1007/s10898-010-9531-y.

[27] Brusco ، M. J. و D. Steinley ، الگوریتم های دقیق و تقریبی برای انتخاب متغیر در تجزیه و تحلیل تمایز خطی. آمار محاسباتی و تجزیه و تحلیل داده ها ، 2011. 55 (1): ص. 123-131. http://dx. doi.org/10. 1016/j. csda. 2010. 05. 027.

[28] Hatamlou ، A. ، سیاه چاله: یک رویکرد بهینه سازی اکتشافی جدید برای خوشه بندی داده ها. علوم اطلاعات ، 2012: ص. 175-184.