معرفی مقاله "An improved memetic genetic algorithm based on a complex network as a solution to the traveling salesman problem"

مقاله فوق به عنوان مقاله مستخرج از تز دکترای هادی محمدی است که راهنمایی آن توسط جناب آقای دکتر کمال میرزائی و مشاوره آن توسط جناب آقای دکتر محمدرضا ملاخلیلی انجام شده است. این مقاله در سال 2020 در مجله "Turkish Journal of Electrical Engineering & Computer Sciences" چاپ شده است. این مجله ISI با ضریب تاثیر 0.8 می باشد. خلاصه مقاله چاپ شده در این مجله به شرح ذیل است:

الگوریتم ژنتیک انتخاب خوبی برای یافتن راه حل حول همسایگان نمی باشد. مقاله فعلی یک الگوریتم ممتیکی با جستجوی محلی پیشنهادی برای عملگر جهش الگوریتم ژنتیک به منظور حل مسئله فروشنده دوره گرد بکار می برد. الگوریتم ممتیک پیشنهادی از عملگرهای جابه جائی، معکوس و درجی برای ایجاد تغییر در میان راه حل ها استفاده می کند. در الگوریتم ژنتیک پایه، برخلاف دنیای واقعی، ارتباط میان نسل ها در نظر گرفته نشده است. این حلقه مفقوده با استفاده از شبکه پیچیده پیشنهادی حل می شود و اجازه انتخاب از میان راه حل های ممکن را فراهم می کند. معیار درجه برای آنالیز شبکه مورد استفاده قرار گرفته شده است. سناریوهای مختلفی برای حل هفت نوع مسئله از TSPLib در نظر گرفته شده است. برای مثال، زمانی که مسئله TSP برای 70 شهر در مقایسه با بهترین راه حل ها در پایگاه داده TSPLib حل می شود نتایج حاکی از این است که الگوریتم ممتیک شبکه پیچیده ای، الگوریتم ممتیک با جستجوی محلی پیشنهادی و الگوریتم ژنتیک پایه به ترتیب 0.31%%1.15% و 38% خطا دارند. این نتایج نشان می دهد که الگوریتم ممتیک شبکه پیچیده ای در مقایسه با الگوریتم ممتیک با جستجوی محلی پیشنهادی و الگوریتم ژنتیک پایه کارائی بهتر دارد. همچنین، میانگین زمان اجرای الگوریتم ها مقیاس پذیری آنها را نشان می دهد.

 منابع

https://journals.tubitak.gov.tr/elektrik/abstract.htm?id=27976

اتوماتای یادگیر توزیع شده گسترش یافته

الگوریتم های فراابتکاری را می توان براساس معیارهای مختلفی دسته بندی نمود. یکی از این معیارها وضعیت جواب روش از لحاظ میزان پوشش راه حل می باشد که به دو سبک الگوریتم های میشیگان و پیتسبورگ دسته بندی می شود. در سبک میشیگان هر کروموزوم نشان دهنده بخشی از جواب مسئله می باشد در حالی که در سبک پیتسبورگ هر کروموزوم نشان دهنده یک جواب کامل مسئله می باشد. سبک های میشیگان و پیتسبورگ در حوزه های مختلفی مورد استفاده قرار می گیرند.سبک پیتسبورگ می تواند به طور مستقیم بهینه سازی را انجام دهد. دیدگاه میشیگان برای تولید راه حل های محلی مورد استفاده قرار می گیرد در حالی که دیدگاه پیتسبورگ برای یافتن ترکیب خوبی از راه حل ها مورد استفاده قرار می گیرد.این دیدگاه قابلیت جستجوی بالائی ندارد. تفاوت دو دیدگاه میشیگان و پیتسبورگ از نظر جواب های تولید شده در شکل زیر نشان داده شده است. 

بهینه سازی ازدحام ذرات ممتیکی

مقاله: بهینه سازی ازدحام ذرات ممتیکی

این مقاله در سال 2007 توسط Y.G. Petalas · K.E. Parsopoulos · M.N. Vrahatis در Springer به چاپ رسیده است.

در این مقاله یک الگوریتم ازدحام ذرات ممتیکی جدید ارائه شده است. که تکنیک های جستجوی محلی را با الگوریتم ازدحام ذرات استاندارد ترکیب نموده است. به همین دلیل یک روش بهینه سازی موثر و کارآمد می باشد که از لحاظ نظری مورد بررسی قرار می گیرد. الگوریتم پیشنهادی می تواند در مسائل مختلف مانند برنامه ریزی عدد صحیح و مسئله minimax مورد استفاده قرار گیرد. نتایج حاکی از کارائی و اثربخشی  مناسب الگوریتم پیشنهادی دارد.