ساختارهای ممتیکی موازی

مقاله: ساختارهای ممتیکی موازی

این مقاله در سال 2012 با موضوع "ساختارهای ممتیکی موازی" توسط Fabio Caraffini,  Ferrante Neri, Giovanni Iacca , Aran Mol در مجله دانش های اطلاعاتی چاپ شده است. ساختارهای محاسباتی ممتیک، الگوریتم هایی با ترکیبی از عملگرهای ناهمگن بنام meme برای حل مسائل بهینه سازی می باشند. به منظور حل این گونه مسائل، در این مقاله یک ساختار موثر ساده بنام ساختار ممتیکی موازی (PMS) پیشنهاد می شود. PMS یک الگوریتم حل بهینه سازی ساده است که با عملگرهای درختی ترکیب شده است. یکی از آنها جستجوی تصادفی سراسری است که کل فضا را برای یافتن مناطق امیدوارکننده اکتشاف می کند.

در مقایسه با شبکه های برقی، جریان پایین از مولفه جستجو سراسری یک توازی از دو مولفه  جایگزین وجود دارد. منظور دو الگوریتم با جستجوی محلی با ویژگی های مختلف از لحاظ منطق جستجو می باشد، که هدف آن پالایش جستجو در نواحی ای که توسط عنصر جریان بالا کشف شده است، می باشد. اولین جستجو محلی فضای در امتداد محورها را کشف می کند، در حالی که دومین الگوریتم حرکت موربی با شیب تخمینی را انجام می دهد.

الگوریتم ساختار ممتیکی موازی، علی رغم سادگی آن، کارائی قابل قبولی را در مقایسه با الگوریتم های فراابتکاری محبوب و الگوریتم های بهینه سازی مدرن که وضعیت state-of-the-art در این زمینه می باشند را نشان می دهد. با توجه به ساختار ساده این الگوریتم، الگوریتم خیلی انعطاف پذیر برای ویژگی های مسائل مختلف و مقادیر عددی می باشد. برخلاف الگوریتم مدرن که برای بعضی از مسائل Benchmark و بعضی از مقادیر عددی مشخص شده اند. الگوریتم ساختار ممتیکی موازی راه حل هایی با کیفیت بالا در زمینه های مختلف و متنوع ارائه می دهد. به عنوان مثال برای مسائل با ابعاد کم و مقیاس بزرگ کارائی دارد. یک مثال کاربردی در زمینه سنسورهای مغناطیسی عملکرد مناسب الگوریتم پیشنهادی را نشان می دهد. این مقاله تائید اعتباری را از Ockham’s Razor in MC دارد.

پیاده سازی از یک الگوریتم کرم شب تاب گسسته برای حل مسئله QAP در چارچوب SEAGE

پیاده سازی از یک الگوریتم کرم شب تاب گسسته برای حل مسئله QAP در چارچوب SEAGE

این پایان نامه در سال 2011 با موضوع " پیاده سازی از یک الگوریتم کرم شب تاب گسسته برای حل مسئله QAP در چارچوب SEAGE" توسط کارل دورکوتا از دانشگاه Czech پاراگوئه نگارش شده است. در ادامه مفاهیم و راهکارهای پیشنهادی مورد بررسی قرار گرفته شده است.

الگوریتم کرم شب تاب:

الگوریتم کرم شب تاب (FA) در سال 2008 توسط یانگ که از الگوریتم های طبیعت الهام گرفته شده است، معرفی شده است. این الگوریتم از رفتار "حشره" کرم شب تاب که شامل انتشار نور، جذب نور و جذب متقابل بهره می گیرد. این الگوریتم برای حل مسائل بهینه سازی پیوسته توسعه یافته است. شبه کد الگوریتم کرم شب تاب در شکل 1 نشان داده شده است.

مقاله: بهینه سازی ازدحام ذرات ممتیکی (Memetic-PSO)

مقاله: بهینه سازی ازدحام ذرات ممتیکی (Memetic-PSO)

این مقاله توسط  Y.G. Petalas · K.E. Parsopoulos · M.N. Vrahatis  در سال 2007 در Springer به چاپ رسیده است. در این مقاله یک بهینه سازی ازدحام ذرات ممتیکی پیشنهاد شده است که ترکیبی از الگوریتم های جستجوی محلی با الگوریتم بهینه سازی ازدحام ذرات استاندارد می باشد. به همین دلیل یک روش بهینه سازی کارآمد و موثر خواهد بود که البته از نظر عملی مورد تحلیل قرار می گیرد.

کارائی الگوریتم های مبتنی بر جمعیت وابسته به قابلیت جستجوی سراسری (Exploration) به خوبی جستجوی محلی بهبود یافته (Exploitation) در فضای جستجو می باشد. تعادل در این دو ویژگی باعث افزایش کارائی می شود. در نوع سراسری PSO ، همه ذرات به وسیله بهترین موقعیت سراسری جذب می شوند. و نسبت به نقاط خاص همگرا می شوند. بنابراین این نوع از PSOبه بهره برداری روی اکتشاف اهمیت می دهد. از سوی دیگر، در نوع محلی PSO ، اطلاعات بهترین موقعیت هر همسایه به آرامی به ذرات دیگر جمعیت از طریق همسایگانشان فرستاده می شود. بنابراین، احتمال اینکه به بهترین موقعیت خاصی جذب شود ضعیف تر می باشد.از این طریق از گیر افتادن در بهینه محلی جلوگیری می شود. بنابراین، نوع PSO محلی به اکتشاف (Exploration) روی بهره برداری  (Exploitation) اهمیت می دهد.

انتخاب مناسب اندازه همسایگی روی تعادل بین بهره برداری و اکتشاف تاثیر می گذارد. که این مقدار یک مسئله باز می باشد و براساس تجربه مقدار دهی می شود.

در PSO مقدار دهی اولیه برای اندازه جمعیت (ازدحام) و سرعت به طور تصادفی انجام می شود. 

در برخی از انواع PSO به منظور عملکرد بهتر در جستجوی های محلی شان عملگرهای شان را تغییر و بهبود می دهند. ضعف در این بخش از الگوریتم PSO استاندارد باعث می شود که در این مقاله این الگوریتم به شکل ممتیکی ارائه شود. که در آن الگوریتم بهینه سازی ازدحام ذرات با الگوریتم های جستجوی محلی ترکیب می شوند.