پاورپوینت درباره بهینه سازی و طراحی به کمک کامپیوتر

اختصاصی از یاری فایل پاورپوینت درباره بهینه سازی و طراحی به کمک کامپیوتر دانلود با لینک مستقیم و پر سرعت .

فرمت فایل :powerpoint (لینک دانلود پایین صفحه) تعداد صفحات 18 صفحه

Øمسئله بهترین

Øمثال – موشک آبی – جت پک یا ریپل بلت

Øبیش از یک تابع هدف: چند هدفه

Ø همراه با قید: مقید

Øصنعت: چند هدفه و مقید

 

 

 

Øهوشمند - مقید

Øتابع جریمه – (ثروت و سیستم اجتماعی)

Øقابل قبول نگه داشتن پاسخ ها – فضای مجاز – شناخت

Øتبدیل به مسئله چند هدفه – تغییر پیچیدگی مسئله از قید به تابع هدف و برعکس

Øهم تکاملی- Co-evolutionary (دو الگوریتم بهینه سازی)

Ø

تحقیق در مورد بهینه سازی چند ضابطه ای

اختصاصی از یاری فایل تحقیق در مورد بهینه سازی چند ضابطه ای دانلود با لینک مستقیم و پر سرعت .

فرمت فایل:WORD(قابل ویرایش) تعداد 26 صحفه

خلاصه :

در خیلی از طراحی موقعیت های حقیقی چندین ضابطه مختلف وجود دارد که ما می خواهیم آنها را بهینه سازی کنیم و این ضوابط اغلب در تضاد با یکدیگر هستند .

به طور رایج ، چندین موقعیت بهینه سازی چند ضابطه ای دستی وجود دارند در یک راهی که بدین منظور است موقعی که برخوردهای ضابطه ای مختلف به طور هنرمندانه ای در یک واحد ترکیبی هدف دار یعنی که در آن هنگام بهینه سازی شده است ترکیب شده اند .

استفاده غیر طبیعی که به منظور این ابزارهای است به طور واضح بهترین راه برای توصیف یک جنبه طبیعی از استدلال انسان نیست .

منطق پیشرفته یک مقدار زیادی از روش طبیعی مسائل بهینه سازی چند ضابطه ای دستی را توصیف می کند .

موقعی که ما نمی توانیم همه تضادهای ضابطه ای را به طور %100 بیشینه کنیم ، هر کدام را به یک اندازه مشخص که امکان دارد بهینه می کنیم .

چندین روش در رابطه با منطق پیشرفته برای بهینه سازی چند ضابطه ای پیشنهاد شده است . اگر چه ، هنوز از بعضی ایده هایی بدین منظور استفاده ی شود .

در این صفحه ما نشان می دهیم که بعضی از معابر برای بهینه سازی چند منظوره می تواند تنها براساس منطق پیشرفته توجیه شده باشد . و نیازی به ابزارهای خارجی که بدین منظور است نیست .

کلمه های کلیدی :

بهینه سازی چند ضابطه ای ، طراحی سیستم های پیشرفته ، مجموعه پیشرفت ، استدلال پیشرفته .

1-دستورات :

در بعضی از وضعیت های دوره حقیقی موقعی که ما یک سیستم کامل شده ای را طراحی می کنیم . ما می دانیم به درستی که چه چیزی برای بهینه سازی کردن می خواهیم .

برای مثال ، موقعی که ما یک مسیر ماشین را طراحی می کنیم ، هدف ما برای پیشینه کردن سرعتش است .

مساله پیدا کردن بهترین طراحی به طور واضح یک مساله که وابسته به ریاضیات تعریف شده می شود . اجازه دهید x مجموعه ای از همه طراح های ممکن را مشخص کند . پس مساله می تواند مانند دنباله زیر فرموله بشود.

: داده ها

و f:x→R. تابع عینی       ( حلقه ) یک  -

( از همه طرح هایی که یک ضابطه برتر مشخص را رضایند می کند ) -C ÍX  مجموعه    ( حلقه ) یک –

  فرمول                       برای پیدا کردن هر xÎX 

 چندین روش از فرموله کردن و حل کردن مساله بیشینه برای موارد تحقق گرا وجود دارد .در شرایطی روی x که فرموله شده در یک واژه نامشخص و وجود دارند ، سپس به وسیله یک مجموعه پیشرفته C توصیف داده شده است . ( مشاهده کنید و مراجعه کنید به آنجا [3] ) در اکثر حالات واقعی هر چند هدف هایی از یک سیستم طراحی شده برای فرموله کردن در یک واژه مختصر و دقیقی آسان نیستند ، معمولاً تعداد زیادی از ضوابط مختلف f1(x),…..,fn(x) وجود دارد که ما می خواهیم بهینه سازی کنیم و این ضوابط اغلب در تضاد با یکدیگر هستند .

برای مثال طراحی موقعیت مرکزی باید هم برترینی مناسبی داشته باشد و هم برترینی پس انداز اگر ما به طور ساده ای این دو برترینی را در یک واژه هایی بازگشتی ، فرمول بندی کنیم . ما یک ضابطه متناقظی راب دست خواهیم آورد .

زیرا طراحی که به طور 100% متناسب باشد یک مکانی موقعیت را خواهد ساخت که صدها بار گران تر است . و طرح ارزان هم به طور صریح مناسب نیست .

این قبیل موقعیت ها « بهینه سازی چند ضابطه ای  » نامیده شده اند.

رایجاً ، این قبیل موقعیت ها در یک حدی که بدین روش منظور شده اند دستی هستند .

زمانی که ضابطه های مختلف متضاد f1(x),…..,fn(x)  هستند  رکیب شده در یک حالت ترکیب شده واحدی مثل f(x) که آن نسبتاً بهینه سازی شده است .

این ترکیب معمولاً به وسیله یک مجموعه توابع f(x)=h(f1(x),….fn(x):h(y1,……yn) اجرا شده است .

سادگی ( و بیشترین استفاده تکراری ) مجموع توابع یک تابع خطی است .

 :h(y1,……yn)=w1.y1+……….+wn.yn

استفاده از ( نه چندان معمول ) ابزارهایی که بدین منظور است به طور واضح بهترین روش برای توصیف یک تعداد زیادی از روشهایی از مسائل بهینه سازی چند ضابطه ای دستی نیست .

و به طور واضح این روش بهترین روش تحریری خیلی طبیعی از استدلال انسان نیست  . اتفاقاً منطق پیشرفته (پیچیده ) توضیح می دهد که روش بسیار طبیعی از مسائل بهینه سازی چند ضابطه ای دستی زمانی که ما نمی توانیم هر ضابطه متضاد اصلی را به طور 100% بیشینه کنیم ، ما هر کدام را تا یک اندازه مشخص بهینه می کنیم .

چندین روش در منطق پیچیده در رابطه با بهینه سازی چند ضابطه ای پیشنهاد شده است مثال را مشاهده کنید :

klir ,Yuan [8] , CHEN and HWANG [4] , Hwang ,YOON [7]

و منابع دیگر .

این روشها نسبت به روشهای شخصی حلقوی (cript ) خیلی طبیعی تر هستند ، زیرا روی قانونی از منطق پیچیده که به خاصیتی از استدلال انسان بر می گردد بنا شده اند اگر چه ، شرحی از همه روشهای موجود استفاده می شود ، در مجموع ، منطق پیچیده ، بعضی به منظور فرضیه ها و بعضی به منظور فرمول ها :

بیشتر این روشها  از یک تابع مجموع برای ترکیب کردن ضابطه های مختلف fi(x) استفاده می کنند .

در این صفحه ، ما نشان می دهیم که بعضی از این        تنها و تنها براساس منطق پیچیده بنا شده اند و توجیه می شوند . این بدین معنی است ، که یناز به هر ابزار دیگری که بدین منظور است ندارند .

این نتیجه ، روقی قضیه هایی که ثابت شده در 1996 روی بهینه سازی پیچیده ساخته می شود .(3)

2-مسائل بهینه سازی چند ضابطه ای و پیچیده برای فرموله کردن مختلف هستند.

نکته  ( آگاهی ) :

مسئله بهینه سازی چند ضابطه ای به صورت دنباله زیر می تواند توضیح داده شود :

: داده ها

یک عدد مثبت صحیح n –

یک حلقه از توابع   f1,….fn  :   x®R و –

یک مجموعه (پیچیده) C ÍX –

فرمول                       برای پیدا کردن هر xÎX 

چیزی که داده می شود می تواند فرموله شود به آسانی    I=1,…..,n برای همه .

تعریف 1-

به وسیله مسئله بیشینه سازی چند ضابطه ای که تحت قیود پیچیده است ما یک چند تایی f1,….fn,C) ) را تعریف می کنیم x®R یک (حلقه ) توابعی از یک مجموعه X است که می رود به مجموعه R از تمام اعداد و حقیقی و C ÍX یک زیر مجموعه پیچیده از X است .

اگر چه ، چیزی که ما می خواهیم بلافاصله آشکار نیست .

از جایی که حالت عنصر خواسته شده x فرموله در یک واژه های پیچیده ای است . این مساله برای هر فرموله کردن برای توابع عینی واحد مختلف است (بحث را مشاهده کنید در [3 ] ) .

برای چندین تابع عینی هدف دار به منظور فرموله کردن ، خیلی متفاوت است. برای غلبه کردن بر این مشکل مضاعف ، این معقول است که تلاش کنیم برای دستی کردن این دو مشکل یکی به وسیله دیگری مختلف است برای فرموله کردن مختلف است برای فرموله کردن مختلف است.

در دیگر لغات :

-اولاً ، ما تلاش خواهیم کرد که مساله بهینه سازی چند ضابطه ای را برای مواردی از قیود حلقوی فرموله کنیم .( مقال . برای موردی که موقعی c یک مجموعه حلقوی باشد )

-و سپس ، ما تلاش خواهیم کرد که استفاده کنیم از تکنیک های اصلی پیچیده برای توسعه دادن این فرمول ها برای قیدهای پیچیده ای از موارد اصلی .

( مثال : برای موارد که موقعی c یک مجموعه پیچیده باشد .)

اما اجازه بدهید به ما که این قسمت را شروع کنیم .

دو راه اصلی از نمایش حلقوی دانش برای یک کامپیوتر وجود دارد .

( مثال : در یک شکل دستیابی پذیر بودن کامپیوتر )

-به عنوان مثال : یک متمایل خیلی زیاد به علوم ریاضی ، علم روند نزولی : معمولاً در واژه هایی از اول دستور منطقی (یا یکی از تبدیل شده ها ) دو .

-نظریه اینکه بیشتر متمایل به کامپیوتر ، علم روندی صعودی و معمولاً در واژ ه هایی از قوانین if – then  وجود دارد .

در دنباله قسمت زیر : ما خواهیم داشت .

-فرموله کردن متن اسکریپ از مسائل بهینه سازی چند شی ء در دو زبان .

-تلاش می کنیم برای اینکه روشهای توسعه پیچیده را استاندارد کنیم ( مثال [5,6] را مشاهده کنید ) برای توسعه این توزیع ها به موارد پیچیده : و بعد از آن تجزیه و مقایسه کردن نتایج تعریف شده .

3-بهینه سازی چند ضابطه ای در واژه های منطقی :

اجازه بدهید به ما که معرفی کنیم شرح تابع ها را با f1,….fn  و بدست بیاوریم ماکزیمم مقدار را روی مجموعه C در “X” ( از بین مجموعه S(x) مشخص شده است ) در واژ (قدیمی ) مختلفی و سپس آن به واژه منطق پیچیده ترجمه شده است .

این جمله ان معنی روی می دهد که . x وابسته به c  

اگر y وابسته به c باشد سپس fi(x)<fi(y)  برای I=1,……n 

به صورت فرموله :

S(x)ÛxÎc  l"y(yÎc®"i(fi(y)<fi(x))

 ما می خواهیم این بیان را با منطق پیچیده توسعه دهیم .

چه کاری انجام دهیم ؟ اجازه بدهید تا شروع کنیم با فرموله کردن ریز xÎc و fI(y)<fI(x) 

-برای یک مجموعه پیچیده  C ، فرموله xÎc به وسیله عضو تابع Mc(x) شرح داده می شود .

-سیستم نامساوی "i(fi(y)<fi(x)) یک جمله حلقوی (اسکریپی ) ، پس آن می تواند نمایش داده شود به وسیله ارزش نامساوی                     t ["i(fi(y)<fi(x))]  

1=T[A]   اگر A صحیح باشد و T[A]=0 است اگر A غلط باشد.

برای بسته بندی کردن این فرمول های ریز ، ما باید عملیات پیچیده F8 , F"  را انتخاب کنیم و  F®  که برابر است با 8  و  "  ، و ® .

سپس به عنوان نتیجه ، ما اعضای توابع      را کسب خواهیم کرد  برای S .

Ms(x)=f8(Mc(x) , f"(f® (Mc(x) ,t["i(fi(y)<fi(x)])

چگونه ما این عملیات پیچیده را انتخاب کنیم ؟

ما 8  و  " را با یکدیگر  رسیدگی می کنیم زیرا "  دارای ارزشی نیست به جز موارد زیادی که با “and” S باشد .

اگر ما یک محدوده از مجموعه x داشته باشیم با عناصر x1,….xn سپس "XA(x) معنی می دهد . A(x1)&A(x2)……A(xn)

اگر ما یک مجموعه نا محدود از x داشته باشیم X={x1,x2,…..xn,….} سپس ما در نظر می گیریم "Xa(x) به عنوان یک بیکران و An(x1)8A(x2) 8 ….A(xn) 8….. و آن را به عنوان یک محدوده تفسیر می کنیم ( در بعضی از خواص مفهوم مستقل ) از پایان تعداد زیادی “and” .

بنابراین کافی است که یک قیاس پیچیده را از “and” انتخاب کنید. و سپس ، یک قیاس پیچیده از " خود به خود شناخته شده خواهد بود .

آن واضح است که در حقیقت ما نیاز داریم که 8 را به طور نامحدودی در زمان های زیادی به کار ببریم . و هنوز بدست آوریم یک عددکاملاً بی حاصل را ،

یعنی ، ما باید ارزش های   را بسته بندی کنیم که به همه y هایی از s که ممکن است پاسخ دهد .

اگر ما y1,y2,…….yn,……. را بدست آوریم . همه انصار پیدا می کنند برای دیگری .

سپس درجه ارقام به طور یقین نیز مسدود خواهد شد .

محدود yi به دیگری ، محدوده ارزش های درجه بندی شده به یکدیگر  هستند .

در این محدوده ، ما به مساله هایی که به دنبال هستند می رسیم :

برای بسته بندی کردن از تعداد زیادی از ارزشهای a :

 اگر ما f8=min بگیریم ، سپس ما بدست می آوریم .

ما بدست می آوریم  f8(a,b)=a,b برای

=(n ) زمان ) f8(a,….a,….)=lim f8(a,…)

برای همه a<1 ، بنابراین برای f8(a.b) ما یک نتیجه کاملاًبی حاصل ms(x)=0  را برای تمامی x ها بدست می آوریم . این ثبات کننده این موضوع است که ما همان نتیجه بی معنی را برای همه عملگردهای 8 که مختلف هستند از حداقل کسب کرده ایم .

اجازه بدهید این نتیجه را در یک اصطلاح دقیق فرمولی قانون مند کنیم .

تعریف 2: ]  13 و 8 و 15 [  یک عکلگر & (فرم t- ) یک عملگر تداومی ، سیننماتیک ارتباطی ، یکنواخت می باشد .

f8:[0,1]´[0,1]®[0,1]

برای اینکه f&(1,x)=x می باشد . ( برای هر کدام از f&(1,x)=x)

 معمولاً  این نوع از عملگرها & برای به حداقل رسانیدن عملکردهای سخت و پیچیده و عملکردهای آرچمریو به کار برده می شود .

تعریف 3 : عملگر & آرچمریو نامیده می شود اگر f&(x,x)<x برای تمام xÎ(0,1) ، و سختی عملکردهای متغیر آن همچنان  در حال  افزایش است . نتایج زیر را دنبال نمایید :

پیشنهاد 1 : [3] . اگر f& یک آرچرین یا یک عملگرد سخت تلقی گردد ، پس برای همه aÎ(0,1)

با توجه به این نتایج ، معقوله ترین این است که & را که برابر مینیمم است انتخاب کنیم و به طور هماهنگ "=inf . از اینرو ما به تعاریف دنبال شده   زیر می رسیم .

تعریف 4 : اجازه دهید (F1,…..,fn,c )  یک مساله بیشینه ساز چند معیاری تحت محدودیت های نامعلومی باشد . و اجازه دهید  f®:[0,1]´[0,1]®[0,1] یک تابع باشد .

ما آن را f می خوانیم . یک عملگر استنتاجی ، که ارائه کننده یک راه حل هماهنگ و تطابقی با f است .

M 6 (x)=f&(Mc(x), inf y ( f à (Mc (x) , t [   I (fi(y)< fi(x))])]

ما چگونه انتخاب کنیم ؟

در آن جا  مقایسه های نامعلوم زیادی وجود دارد .  ]13و 8 و 14و12 را مشاهده کنید .[

برای اهداف ما اگر چه انتخاب خیلی بزرگ نیست زیرا در فرمولمان تنها ما نتایج را قطعی می کنیم . جازه بدهید  چگونگی عملکرد های مختلف استنباطی را برای همین منظور در این مورد تحلیل کنیم . ما در ابتدا می خواهیم ساده ترین استنتاج را در نظر بگیریم و سپس ما مورد کلی را به بحث می گذاریم .

1-3 عملکرد کلین - دانیز

این عملکرد (عملیات ) ( در مثال ]2[ مشاهده کنید ) بر مبنای یکی از عبارات کلاسیک منطقی مشهوری استوار شده است : ( a à b ) ß> ( ~ avb)  . برای استفاده کردن از این فرمول ، ما باید ~ و v  را بشناسیم .

تعریف 5 - به وسیله عملگر ~  ما یک تابع پیوسته را که به طور پیچیده  در حال افزایش است معرفی می کنیم  f  ~ : [ 0 , 1 ] à [ 0,1]  به طوری که f ~ ( f ~ (a) ) = a , f ~ ( 0) = 1  

تعریف 6 - ]  13 و 8 و 15 [   عملگر v  ،( کونورم - t ) یک عملگر پیوسته ، سیستماتیک ، ارتباطی و یکنواخت می باشد . f v : [0,1] * [0,1] à [0,1] ، برای هر کدام از fv( 0 ,x ) = x

تعریف 7 - با این فرض که تابع f  v   و f ~  عملگر های V  و ~  را دارند . تابع fà (a , b )  =  f v ( f ~  ( a )  , b )  نامیده می شود  استنتاج کلین  - دانیز  .

پیشنهاد 2  .  اجازه بدهید که  ( f 1 , …  , fn , c )  یک مساله بیشینه چند معیاری احتمالی با محدودیتهای نامعلوم باشد . پس راه حل هماهنگ با استنتاج کلین دانیز فرم شکل زیر را به همراه دارد .

Mko (x)  = min ( Mc (x)   , f ~ ( sup   Mc (y)).

                               Y :Ji ( fi  ( y))> fi (x))  .

استدلال :

 از آنجایی که b ε { 0,1}  ( b  عضو مجموعه 0  و 1 است )  ما می توانیم  f v  را حذف کنیم .

ضمنا f v ( 0 , x ) = x"   و  f v ( x , 1 ) = 1  برای یک   عملگر v-  اختیاری است  . QED  

تفسیر  : مخصوصا برای F~ (Z)  = 1 -Z   ما عبارات  زیر را به دست می آوریم .

M*k D(x) = min (Mc ( x )  , 1 -       sup  Mc (g) ) .

Y : Ji ( fi (y) > fi (x) )

2-3- متصدی zadeh ( زاده ) :

 استنتاج  این متصدی ( گرداننده )‌( عمل کننده ) بر مبنی فرمول دیگری از فرمولهای منطقی کلاسیکال استوار است  .

( a à b) ß> ( ~ a v ( a & b )  .  از آنجایی که ما قبلا می دانستیم  که کمترین & = min   ، ما در تعاریف زیر به آن می رسیم :

تعریف 8 : فرض کنید Fv   و f ~  از عملکردهای ~  و v   هستند . تابع  fà(a,b)=fv(f~ (a)  , min ( a,b)) استنتاج زاده نامیده می شود .

پیشنهاد 3- اجازه بدهید که ( f1 , … , fn , c )   یک مساله بیشینه چند معیاری با محدودیتهای نا معلوم همراه باشد . پس راه حل هماهنگ شده  با توجه به استنتاج زاده به شکل زیر است

Mz(x) = min ( Mc(x) , f ~ (   sup     Mc(y)  ,    sup   f v (Mc(y),f~(Mc(y)).

Y : ji (fi(y) > fi(X))           y:  I ( fi(y)<  fu (x)

3-3- دیگر عملگر های استنتاجی:

آن خیلی ساده است که پیچیدگی b  را بررسی کنیم ، دیگر عملیات عملکردهای مشهور استنتاجی به یکی از این  دو باز می گردند . یا به سمت فرمول پیچیده سوق می دهیم .

برای مثال ، اجازه بدهید بیشترین عملگردهای مورد استفاه در لیست [4]  که طبقه بنی شده اند را در نظر بگیریم .

 لاکازاوییچ کمترین مقدار  ( 1,1-a+b)  را بر می گرداند به 1-a اگر b=1 و اگر b=1 باشد . ( مانند روش کلین - دانز )

 گودلز [11] . یک اگر a< b  و b  در غیر اینصورت تنها مقادیر پیچیده ای بدست می آورید اگر b  پیچیده باشد .

گودلز [11]  . یک اگر a<b  و b/a دیگر اینکه منجر به یک میشود اگر b=1  ، و به صفر بر می گردد اگر و b=0  مثال I:C همچنین ، تنها مقادیر پیچیده بدست می آیند .

کلین - دانیز  ، لاکاسویز [2]  1-a+a.b  برای پیچیدگی -b که مطابق با کلین دانیز می باشد.

حداقل ویلموتس : حداقل ( حدکثر ( 1-a,b)  و حداکثر ( a,1-a)  و حداکثر((b, 1-b) پیچیدگی b  در فرمول زاده [16]  کاهش می دهد .

این فقدان  انتخاب ( شکل [3]   را مشاهده کنید ) به وسیله این حقیقت که معمولا دو شیوه توصیفی یک عملگر à به کار برده می شوند قابل توضیح می باشد .

ما می توانیم  به طور مستقیم à  در واژه ای بر حسب & , v و ~  توصیف کنیم  . ما این شیوه ها را قبلا اتخاذ کرده بودیم .

ما همچنین می توانیم aà b  را به طور غیر مستقیم توصیف کنیم . مانند یک عبارت که برای a  به کار برده می شود که تلویحا به b  اشاره دارد . ( به عنوان یک نوع راه حل معادله f&(a,aàb)=b) اگر این معادله چندین راه حل دارد ما می توانیم  بزرگترین آنها را ، یا به طور کلی بزرگترین c  که f&(a.c)<b است را انتخاب کنیم . از آن جا که b پیچیده است ، ما یک راه حل رو به انحطاط را بدست می اوریم .

اگر b=1  باشد ، سپس f&(a,c)<1  همواره بر قرار باشد بنابراین c=1  خواهد بود اژر b=0 باشد  . سپس f&(a,c)=0 به طور معمول صحیح باشد  . برای c=0 برقرار می باشد  .

بنابراین اسکریپ b    (پیچیدگی (b  با این تعریف به یک عملکرد باارزش پیچیده تنها منجر می شود .

4- بهینه سازی چند معیاری در جمله قانونی ( سپس - اگر )

اجازه دهید (اسکریپ ) شرایط مسئله بیشینه سازی چند معیاری در واژه قانونمند if-then  توضیح دهیم .

الگوریتم های محاسبه ای که بیشترین را محاسبه می کنند معمولا تکراری اند ، برای این منظور  که یافتن قانون های if-then  مشکل می باشد اگر چه به صورت  مستقیم راه حل مطرح شده  را  انتخاب شده باشد  هر چند این عمل خیلی ساده است که قوانینی را توصیف کنیم  که می خواهد  هر چیزی را حذف کند به جز راه حل  مطرح شده .

• اگر x شرایط رضایت مندی را ندارد ، پس x  راه حل مطرح شده نیست .
• اگر برای همان x  و برای همان I ، عناصر y دیگری موجود باشد که در شرایط c   باشد  و برای هر fi(y)>fi(x)  باشد . پس x  راه حل مطرح شده نیست .
• در اصطلاحات منطقی ، این قوانین شکل زیر را دنبال و اتخاذ می کنند .

~c(x)à

الگوریتم بهینه سازی کلونی مورچگان در 51 اسلاید

اختصاصی از یاری فایل الگوریتم بهینه سازی کلونی مورچگان در 51 اسلاید دانلود با لینک مستقیم و پر سرعت .

بهینه‌سازی گروه مورچه‌ها یا ACO همانطور که می دانیم مسئله یافتن کوتاهترین مسیر، یک مسئله بهینه سازیست که گاه حل آن بسیار دشوار است و گاه نیز بسیار زمانبر. برای مثال مسئله فروشنده دوره گرد را نیز می‌توان مطرح کرد. در این روش(ACo)، مورچه‌های مصنوعی به‌وسیلهٔ حرکت بر روی نمودار مسئله و با باقی گذاشتن نشانه‌هایی بر روی نمودار، همچون مورچه‌های واقعی که در مسیر حرکت خود نشانه‌های باقی می‌گذارند، باعث می‌شوند که مورچه‌های مصنوعی بعدی بتوانند راه‌حل‌های بهتری را برای مسئله فراهم نمایند. همچنین در این روش می‌توان توسط مسائل محاسباتی-عددی بر مبنای علم احتمالات بهترین مسیر را در یک نمودار یافت.

 

روش که از رفتار مورچه‌ها در یافتن مسیر بین محل لانه و غذا الهام گرفته شده؛ اولین بار در ۱۹۹۲ توسط مارکو دوریگو (Marco Dorigo) در پایان نامهٔ دکترایش مطرح شد.

الگوریتم کلونی مورچه الهام گرفته شده از مطالعات و مشاهدات روی کلونی مورچه هاست. این مطالعات نشان داده که مورچه‌ها حشراتی اجتماعی هستند که در کلونی‌ها زندگی می‌کنند و رفتار آنها بیشتر در جهت بقاء کلونی است تا درجهت بقاء یک جزء از آن. یکی از مهمترین و جالبترین رفتار مورچه‌ها، رفتار آنها برای یافتن غذا است و بویژه چگونگی پیدا کردن کوتاهترین مسیر میان منابع غذایی و آشیانه. این نوع رفتار مورچه‌ها دارای نوعی هوشمندی توده‌ای است که اخیراً مورد توجه دانشمندان قرار گرفته است در دنیای واقعی مورچه‌ها ابتدا به طور تصادفی به این سو و آن سو می‌روند تا غذا بیابند. سپس به لانه بر می‌گردند و ردّی از فرومون(Pheromonee) به جا می‌گذارند. چنین ردهایی پس از باران به رنگ سفید در می‌آیند و قابل رویت اند. مورچه‌های دیگر وقتی این مسیر را می‌یابند، گاه پرسه زدن را رها کرده و آن را دنبال می‌کنند. سپس اگر به غذا برسند به خانه بر می‌گردند و رد دیگری از خود در کنار رد قبل می‌گذارند؛ و به عبارتی مسیر قبل را تقویت می‌کنند. فرومون به مرور تبخیر می‌شود که از سه جهت مفید است:

 

• باعث می‌شود مسیر جذابیت کمتری برای مورچه‌های بعدی داشته باشد. از آنجا که یک مورچه در زمان دراز راه‌های کوتاه‌تر را بیش تر می‌پیماید و تقویت می‌کند هر راهی بین خانه و غذا که کوتاه‌تر (بهتر) باشد بیشتر تقویت می‌شود و آنکه دورتر است کمتر.
• اگر فرومون اصلاً تبخیر نمی‌شد، مسیرهایی که چند بار طی می‌شدند، چنان بیش از حد جذّاب می‌شدند که جستجوی تصادفی برای غذا را بسیار محدود می‌کردند.
• وقتی غذای انتهای یک مسیر جذاب تمام می‌شد رد باقی می‌ماند.

لذا وقتی یک مورچه مسیر کوتاهی (خوبی) را از خانه تا غذا بیابد بقیهٔ مورچه‌ها به احتمال زیادی همان مسیر را دنبال می‌کنند و با تقویت مداوم آن مسیر و تبخیر ردهای دیگر، به مرور همهٔ مورچه‌ها هم مسیر می‌شوند. هدف الگوریتم مورچه‌ها تقلید این رفتار توسط مورچه‌هایی مصنوعی ست که روی نمودار در حال حرکت اند. مسئله یافتن کوتاه‌ترین مسیر است و حلالش این مورچه‌های مصنوعی اند.

از کابردهای این الگوریتم، رسیدن به راه حل تقریباً بهینه در مسئله فروشنده دوره‌گرد است. به طوری که انواع الگوریتم مورچه‌ها برای حل این مسئله تهیه شده. زیرا این روش عددی نسبت به روشهای تحلیلی و genetic در مواردی که نمودار مدام با زمان تغییر کند یک مزیت دارد؛ و آن این که الگوریتمی ست با قابلیت تکرار. و لذا با گذر زمان می‌تواند جواب را به طور زنده تغییر دهد. که این خاصیت در روتینگ شبکه‌های کامپیوتری و سامانه حمل و نقل شهری مهم است.
در مسئله فروشنده دوره گرد باید از یک شهر شروع کرده، به شهرهای دیگر برود و سپس به شهر مبدا بازگردد بطوریکه از هر شهر فقط یکبار عبور کند و کوتاهترین مسیر را نیز طی کرده باشد. اگر تعداد این شهرها n باشد در حالت کلی این مسئله از مرتبه (n-1)! است که برای فقط ۲۱ شهر زمان واقعاً زیادی می‌برد:

روز۱۰۱۳*۷/۱ = S۱۰۱۶*۴۳۳/۲ = ms۱۰*۱۰۱۸*۴۳۳/۲ =!۲۰

با انجام یک الگوریتم برنامه سازی پویا برای این مسئله، زمان از مرتبه نمایی بدست می‌آید که آن هم مناسب نیست. البته الگوریتم‌های دیگری نیز ارائه شده ولی هیچ کدام کارایی مناسبی ندارند. ACO الگوریتم کامل و مناسبی برای حل مسئله TSP است.

 

فهرست مطالب:

 

تاریخچه ی الگوریتم

هوش جمعی و عامل های هوشمند

مورچه ها چگونه ارتباط  برقرار می کنند؟

مورچه ها چگونه کوتاهترین مسیر را انتخاب می کنند؟

تبخیر فرومون

مسیریابی توسط مورچه ها

پیاده سازی الگوریتم با مورچه های مصنوعی

رفتارهای جست و جو گرایانه مورچگان

فلوچارت الگوریتم

محاسبه احتمال

اپدیت فرومون

حل مساله ی فروشنده ی دوره گرد

صرفه جویی کلان در مصرف انرژی در کاخانجات سیمان

اختصاصی از یاری فایل صرفه جویی کلان در مصرف انرژی در کاخانجات سیمان دانلود با لینک مستقیم و پر سرعت .

در این فایل pdf صرفه جویی کلان در مصرف انرژی در کاخانجات سیمان مورد بررسی قرار گرفته است