الگوریتم تکاملی مبتنی بر مدل با استفاده از خوشه بندی فازی C-میانگین و تحلیل مولفه های اصلی

ساختار عملگرها در بیشتر الگوریتم­های تکاملی چند هدفه سنتی بر اساس قوانین ثابت اکتشافی مانند تقاطع و جهش است که قادر به یادگیری ساختارها یا خصوصیات مسائل بهینه­سازی نیستند.  برای تجهیز الگوریتم­های تکاملی به توانایی­های یادگیری، اخیرا الگوریتم­های تکاملی مبتنی بر مدل ارائه شده است. در الگوریتم­های تکاملی مبتنی بر مدل، عملگرهای ابتکاری با مدل­های یادگیری ماشین مانند مدل­های آموزش و نمونه جایگزین می­شوند. در این مقاله یک الگوریتم تکاملی چند هدفه مبتنی بر مدل ارائه شده است که در آن هر نسل، یک ناحیه محتمل از فضای جستجو، به وسیله یک مدل احتمالی، می­شود. بر روی ناحیه محتمل در فضای جستجو، که همان نقاط غالب، با مرتبه بهتر می­باشند، خوشه­بندی یا بر اساس روش­های فازی انجام می­گیرد و یا این­که بر روی نقاط غالب با مرتبه اول، یک عملگر انتخاب مسابقه­ای ازدحام، صورت می­پذیرد تا نقاط بافاصله نزدیک به هم، حذف شوند و نتیجه حاصل به عنوان نقاط مرکزی خوشه­ها در نظر گرفته می­شود و سپس، خوشه­بندی بر اساس نزدیک­ترین همسایه­ها، صورت می­پذیرد. از الگوریتم تجزیه تحلیل مولفه های اصلی، که بهترین روش برای کاهش ابعاد داده به صورت خطی می­باشد، برای مدل­سازی، استفاده شده است. راه­حل­های جدید از مدل ساخته شده، بر اساس یک توزیع نرمال، به دست آمده می­آیند. روش پیشنهادی مورد آزمایش قرارگرفته است و نتایج حاصل از آن با روش الگوریتم­های ژنتیک مرتب­سازی نامغلوب، مقایسه شده است. نتایج نشان می­دهد که این روش سریع­تر از روش­های قبلی می­باشد و با تعداد کمتری تکرار و ارزیابی توابع، نتایج بهتری به دست می­آید.

Keywords:

عملگر انتخابی ازدحام , الگوریتم های تکاملی چند هدفه مبتنی بر مدل , خوشه بندی فازی , بهینه سازی چند هدفه , تحلیل مولفه های اساسی