۵:

Determine EggNumber i

۶:

For each Cuckoo i ϵ [۱… N]

۷:

for j=1 to EggNumber i

۸:

Lay an Egg in ELR and compute its fitness value

۹:

if f (EggPsition) < f (Habitat i) Then Habitat i = EggPosition

۱۰:

Update ELR based on Equation (5-3)

۱۱:

For each Cuckoo i ϵ [۱… N]

۱۲:

Apply Equation (5-2)

۱۳:

until stopping criterion is met

شکل ۵-۱: شبه کد الگوریتم MCOA
۵-۲ الگوریتم پیشنهادی MMCOA جهت بهینه­سازی در محیط­های پویا
در بخش پیش الگوریتم پیشنهادی MCOA تشریح شد که یک الگوریتم بهینه­سازی در محیط­های پیوسته است. هدف نهایی، طراحی یک الگوریتم پیشنهادی برای بهینه­سازی در محیط­های پویا بر اساس الگوریتم پایه­ MCOA می­باشد. با توجه به خواص خاص محیط­های پویا و وجود چالش­های مختلف در آن، باید مکانیزم­ هایی به الگوریتم­های پایه افزوده گردد تا توانایی داشتن کارآیی قابل قبول در بهینه­سازی مسائل پویا وجود داشته باشد. محیط­های پویا­ی مورد نظر در این پایان نامه، محیط­هایی هستند که در آن­ها تعدادی قله وجود دارند و تغییرات در محیط در بازه­های زمانی گسسته اعمال می­گردند. همچنین تغییرات در موقعیت، پهنا و ارتفاع قله­ها ایجاد می­ شود. بنابراین پس از تغییر در محیط امکان تبدیل هر قله به بهینه­ سراسری وجود دارد. در نهایت می­توان به این نتیجه رسید که تمام قله­ها یک بهینه­ بالقوه بوده و الگوریتم باید برای کارآیی بیشتر، آن­ها را تحت نظر داشته و بتواند ردیابی کند. از طرفی یافتن هر چه سریع­تر قله­ها تا قبل از تغییرات بعدی محیطی از دیگر چالش­های در پیش روی این گونه محیط­­هاست. برای رویارویی با این چالش­ها در این جا سعی شده تا از یک الگوریتم چند دسته­ای، مکانیزم ایجاد دسته­­ی آزاد موقع هم­گراشدن دسته­ها، مکانیزم انحصار و نیز مکانیزم افزایش تنوع و به روز رسانی حافظه بهره گرفته شود. در انتها نیز از یک مکانیزم غیرفعال­سازی برای کارآیی بهتر الگوریتم در یافتن بهینه(ها) تا قبل از تغییرات بعدی، استفاده شده است.

(( اینجا فقط تکه ای از متن درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. ))

الگوریتم MMCOA یک الگوریتم چند-دسته­ای طراحی شده برای بهینه­سازی در محیط­های پویا است که هر یک از دسته­های آن یک دسته از فاخته­ها بوده و با بهره گرفتن از روند MCOA عمل می­ کنند. در ابتدای کار، تنها یک دسته در فضای مسئله وجود دارد. پس از این­­که این دسته هم­گرا شد، دسته­ی دیگری در فضای مسئله بوجود می ­آید و شروع به کار می­ کند. در واقع هنگامی که دسته­ی تازه بوجود آمده به سمت یک قله هم­گرا شد و آن­ را پوشش داد، دسته­ی جدید دیگری بوجود می ­آید. این روند تا جایی که تمام قله­ها تحت پوشش قرار بگیرند ادامه داشته و در نهایت تمام قله­ها تحت پوشش دسته­ها قرار می­گیرند. در این بین تنها یک دسته به صورت آزاد در فضای مسئله به جستجوی قله­ی پوشش نیافته­ی دیگری می ­پردازد.
۵-۲-۱ بررسی هم­گرایی دسته­ها
برای تعیین هم­گرایی یک دسته، فاصله­ی اقلیدسی تمام فاخته­های یک دسته از یکدیگر محاسبه شده و در صورتی­که فاصله­ی دورترین فاخته­های دسته کوچکتر از مقدار پارامتر rconv (که بر اساس آزمایشات برابر ۱۰ است) باشد، یعنی دسته هم­گرا گردیده است. فاصله­ی اقلیدسی از رابطه­ زیر به دست می ­آید:

موضوعات: بدون موضوع  لینک ثابت


فرم در حال بارگذاری ...