معصومه محمدی - کارشناس ارشد کامپیوتر، دانشکده فنی و مهندسی، دانشگاه آزاد اسلامی واحد ملارد، ایران
محسن محرمی - استادیار، دانشکده فنی و مهندسی، دانشگاه آزاد اسلامی واحد ملارد، ایران
یاسر رستمی - استادیار، دانشکده فنی و مهندسی، دانشگاه آزاد اسلامی واحد ملارد، ایران

الگوریتم های هوش گروهی دسته ای از روش های حل مساله می باشند که از رفتار گروهی جانداران و تعاملات اجتماعی آن ها با هم الگوبرداری شده است. رفتار گروهی پروانه ها برای یافتن گل ها یک نمونه از رفتارهای هوشمندانه در طبیعت است که الگوریتم بهینه سازی پروانه براساس آن الگوبرداری شده است. چالش مهم الگوریتم بهینه سازی پروانه در آن است که اعضای جمعیت فقط پیرامون شایسته ترین عضو که بیشترین مقدار فرومون را منتشر می نمایند عمل جستجو را انجام می دهند و این موضوع می تواند دقت الگوریتم را کاهش داده و آن را مستعد گرفتار شدن در بهینه های حلی نماید. در این مقاله برای کاهش دادن خطای الگوریتم بهینه سازی پروانه از مفهوم جذابیت در الگوریتم کرم شب تاب استفاده شده و هر عضو به تناسب جذابیت و شایستگی که دارد پیرامونش مورد جستجو قرار گرفته می شود. نتایج پیاده سازی الگویرتم پیشنهادی در محیط متلب نشان می دهد نرخ همگرایی به بهینه های محلی در الگوریتم بهینه سازی ذرات، الگوریتم کرم شب تاب، الگوریتم بهینه سازی وال، الگوریتم بهینه سازی پروانه و الگوریتم پیشنهادی به ترتیب 31.5%، 28.5%، 15.5%، 26.75% و 11.25% است و روش پیشنهادی کمترین میزان نرخ همگرایی به بهینه های مخلی را دارد و نسبت به الگوریتم پروانه 15.5% کمتر در بهینه های محلی گرفتار می شود. آزمایشات نشان می دهد خطای الگوریتم پیشنهادی به طور متوسط در حدود 0.0008 است و از سایر روش های هوش گروهی این خطا مقدار کمتری را نشان می دهد. نتایج آزمایشات نشان می دهد رتبه فریدمن الگوریتم پیشنهادی حدود 2.8 بابر الگوریتم بهینه سازی پروانه بهتر است. نتایج به کارگیری الگوریتم پیشنهادی در خوشه بندی داده ها نشان میدهد روش پیشنهادی در حدود 19.62 دقیق تر از خوشه بندی الگوریتم بهینه سازی پروانه داده ها را خوشه بندی می نماید و از این جهت یک الگوریتم کاربردی تر است.

هوش دسته جمعی، الگوریتم بهینه سازی پروانه، الگوریتم کرم شب تاب، یادگیری گروهی