مجید محمدپور - باشگاه پژوهشگران و نخبگان، دانشگاه آزاد اسلامی واحد یاسوج، کهگیلویه و بویراحمد، ایران
بهروز مینایی بیدگلی - دانشکده مهندسی کامپیوتر، دانشگاه علم و صنعت، تهران، ایران
حمید پروین - دانشکده مهندسی کامپیوتر، دانشگاه آزاد اسلامی، نورآباد ممسنی، فارس، ایران
کیوان رحیمی زاده - دانشکده فنی و مهندسی، گروه مهندسی برق و کامپیوتر، دانشگاه یاسوج، یاسوج، ایران

از آن جایی که اجزای پویا، همراه با محدویت های غیرخطی و اهداف متعدد، یکی از خصوصیت هایی است که به طور مکرر در مسائل دنیای واقعی ظاهر می شود و از طرف دیگر زمان زیادی است که محاسبات تکاملی وارد حوزه کاربردهای صنعتی شده است (به خصوص به علت توانایی آن‎ها در مواجهه با محیط‎ های چندهدفه و غیرخطی) انتظار می ‎رود که توجه به این زمینه در جامعه علمی رشد پیدا کند. هدف این مقاله، امکان طراحی پروتکل‎ های الهام گرفته از طبیعت در الگوریتم ژنتیک است که روی بهینه‎ سازی در محیط‎ های پویا موثر باشد، در حالی ‎که پیچیدگی الگوریتم را حفظ کند و تغییرات در فضای مسئله به ‎صورت دوره‎ای رخ دهد. در این مقاله، یک الگوریتم ژنتیک بهبودیافته (خودسازمانده بحرانی) مبتنی بر حافظه برای حل مسائل بهینه‎ سازی پویا ارائه شده است. در الگوریتم ارائه ‎شده، از یک عملگر جهش خودسازمانده استفاده شده است. این عملگر جهش می‎ تواند نرخ‎ های جهش خودتنظیم ‎شونده را با یک توزیع ویژه بر مبنای مدل تپه شنی انجام دهد که این برای بهینه ‎سازی پویا مناسب است. اگر تغییرات به ‎صورت دوره‎ای رخ دهند، به ‎طور معمول استفاده از اطلاعات گذشته اجازه می‎ دهد الگوریتم به ‎سرعت بعد از تغییر محیط به سازگاری در شرایط محیطی جدید برسد. ایده مورد نظر در این زمینه، استفاده از یک حافظه می‎ باشد. یکی از چالش‎ های اساسی در به‎ کارگیری حافظه، تنوع می‎ باشد. برای افزایش سطح تنوع از یک حافظه تخمبن تراکم با خوشه بندی گاوسی استفاده شده است. همچنین از راهکاری برای جایگزینی و بازیابی در حافظه استفاده شده است. در طرح پیشنهادی ابتدا جهش خودسازمانده بحرانی جدید، با سایر الگوریتم ‎های ژنتیک ارائه شده توسط سایر محققین ترکیب شده و نتایج حاصل شده نشان می‎ دهد که این روش توانسته به‎ کرات سایر الگوریتم‎ های ژنتیک را برای محیط‎ های پویا بهبود بخشد. در نهایت روش پیشنهادی این مقاله که ترکیب خودسازماندهی بحرانی جدید با حافظه تخمین تراکم گوسی است ارائه شده است. نتایج این روش بر روی مسائل محک مختلف با عنوان توابع تله پویا (Royal road، One Max و Deceptive)، آزمایش شده ونتایج حاصله حاکی از کارایی بیشتر روش پیشنهادی است.

بهینه سازی, الگوریتم ژنتیک, محیط پویا, حافظه, خوشه بندی, تخمین تراکم, جفت گزینی, جهش, خودسازمانده