SIA: Swarm Intelligence Algorithms

الگوریتم های هوش جمعی

SIA: Swarm Intelligence Algorithms

الگوریتم های هوش جمعی

بنیان گذاران هوش جمعی

بنیان گذاران هوش جمعی

 

گراردو بنی استاد مهندسی برق دانشگاه کالیفرنیا می باشد. همراه با جینگ وانگ معروف به مبتکران "هوش جمعی" می باشند. مفهوم هوش جمعی توسط این افراد در سال 1989 برای سیستم های رباتیک سلولی بکار گرفته شده است. که منجر به چاپ مقاله ای با عنوان "هوش جمعی در سیستم های رباتیک سلولی" در Springer در سال 1993  شده است. (شکل 1)

در این مقاله به مفهوم هوشمندی پرداخته شده است. سیستم های رباتیک سلولی قادر به رفتار "هوشمند" می باشند. هوش ربات و هموشمندی سیستم ربات از لحاظ رفتار غیر پیش بینی یشان تعریف شده است. رفتار غیر قابل پیش بینی : 1) غیر قابل پیش بینی نبودن آماری 2) عدم دسترسی 3) عدم موفقیت 4) عدم هوشمندی 5) عدم نمایندگی را مورد بررسی قرار می دهد.  

ادامه مطلب ...

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.   ادامه مطلب ...

بررسی یک الگوریتم ممتیکی تطبیقی با استفاده از تکامل تفاضلی و Q-learning: مطالعه موردی از برنامه ریزی مسیر جندرباتی

مقاله: بررسی یک الگوریتم ممتیکی تطبیقی با استفاده از تکامل تفاضلی و Q-learning: مطالعه موردی از برنامه ریزی مسیر جندرباتی

 

این مقاله در سال 2013 توسط Pratyusha Rakshit, و همکارانش در IEEE به چاپ رسیده است.

الگوریتم های ممتیکی، الگوریتم های جستجو فراابتکاری مبتنی بر جمعیت هستند که مزایای تکامل های طبیعی و فرهنگی را با یکدیگر ترکیب می کنند. یک الگوریتم ممتیکی تطبیقی انتخاب تطبیقی مم ها از مخزن مم را به منظور بهبود الگوهای فرهنگی اعضاء الگوریتم جستجو مبتنی بر جمعیت ترکیب می کند.

در این مقاله یک دیدگاه جدید برای طراحی یک الگوریتم ممتیکی تطبیقی ارائه شده است. این کار با ترکیب مزیت های الگوریتم تکامل تفاضلی (DE) برای جستجوی سراسری و Q-learning برای پالایش محلی انجام می شود. در واقع در این مقاله یک تکنیک جدید که ترکیبی از DE و Q-learning می باشد الگوریتم ممتیکی تطبیقی را بهبود می دهد.

چهار نوع الگوریتم تکامل تفاضلی برای مطالعه کارائی الگوریتم ممتیکی تطبیقی برای جنبه های زمان اجرا، ارزیابی تابع هزینه و دقت استفاده می شود. در ادامه به معرفی چند الگوریتم مورد استفاده در این مقاله پرداخته شده است:

 

ادامه مطلب ...