به کارگیری رویکرد سیستم های چند عامله در الگوریتم جهش قورباغه
Publish place: The 6th Conference of Al Robotics
Publish Year: 1395
Type: Conference paper
Language: Persian
View: 1,130
This Paper With 6 Page And PDF Format Ready To Download
- Certificate
- I'm the author of the paper
Export:
Document National Code:
IRANOPEN06_018
Index date: 12 November 2016
به کارگیری رویکرد سیستم های چند عامله در الگوریتم جهش قورباغه abstract
بهینه سازی بدین مفهوم است که در بین پارامترهای یک تابع، به دنبال مقادیری باشیم که مقدار تابع را بیشینه یا کمینه می کند. کلیه مقادیر مناسب جهت این امر را، راه حل های ممکن و بهترین مقدار از این مقادیر را، راه حل بهینه می نامند. از الگوریتم های مبتنی بر هوش جمعی می توان برای حل مسائل پیچیده بهینه سازی بهره برد. تاکنون الگوریتم های مختلفی در این زمینه ارائه شده که الگوریتم جهش قورباغه، گونه ای از این الگوریتم ها می باشد. الگوریتم جهش ترکیبی قورباغه (SFLA) یک الگوریتم مبتنی بر ممتیک فرا مکاشفه ای است. این الگوریتم در سال 2003 توسط یوسف و لنزی ایجاد شد. الگوریتم SFLA از نحوه ی جستجوی غذای گروه های قورباغه سرچشمه می گیرد. الگوریتم جهش ترکیبی قورباغه، یک الگوریتم بهینه سازی مبتنی بر کولونی است. SFLA قابلیت بالایی برای جستجوی سراسری دارد و می تواند بسیاری از مسائل غیرخطی، غیرقابل تشخیص چند حالته را حل کند. اما این الگوریتم دارای نقاط ضعفی از جمله گیر افتادن در بهینه محلی و عدم توانایی بر هم زدن بین جستجوی محلی و سراسری است. در این مقاله نسخه بهبود یافته ای از SFLA ارائه گردیده است که شامل ترکیب این الگوریتم با سیستم های چند عامله می باشد.
به کارگیری رویکرد سیستم های چند عامله در الگوریتم جهش قورباغه Keywords:
به کارگیری رویکرد سیستم های چند عامله در الگوریتم جهش قورباغه authors
سید ناصرالدین سیادت
دانشگاه آزاد اسلامی، واحد قزوین، دانشکده مهندسی کامپیوتر و فناوری اطلاعات، قزوین، ایران
بهروز معصومی
دانشگاه آزاد اسلامی، واحد قزوین، دانشکده مهندسی کامپیوتر و فناوری اطلاعات، قزوین، ایران
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :