بررسی توابع در الگوریتم های ابتکاری و فراابتکاری در متلب

موسسه پایا پروژه به عنوان متصدی انجام پروژه های متلب  وظیفه ی خود می داند که در راستای آموزش نرم افزار متلب  گام های موثری را بردارد. با توجه به اینکه یک دوره آموزشی متلب مستلزم تمرین و تلاش بسیار است. اما این موسسه تلاش می کند سهم کوچکی در جهت یادگیری شما داشته باشد.

در ابتدا باید بدانید که مسائل مربوط به بهینه سازی را با توجه به تعداد و نوع تابع هدف به شکل های مختلفی تقسیم می‌شوند. تابع هدف یا به صورت خطی و یا غیر خطی می‌باشد.

تکنیک های ابتکاری و فراابتکاری

تکنیک های فراابتکاری، مسائل با پیچیدگی بالا و محدودیت های غیر خطی و متغیر های بهم وابسته را تضمین می‌کند و این در حالی است که تکنیک های ابتکاری مسائل ساده تری را تضمین می‌کنند. این نوع الگوریتم ها، راه حل های خوبی را طی مدت زمان معقول برای بهینه سازی می‌دهند. بهینه سازی به این معنا می‌باشد که مجموعه ای از متغیر ها با میزان ارزش خوب، در جهت رسیدن به هدف تابع در تمامی جنبه ها و برنامه ریزی ها انجام شوند. به عنوان مثال بسیاری از برنامه ها با مسائل پیچیده ای رو به رو هستند و تکنیک های بهینه سازی سنتی راه حل خوبی ارائه نخواهند داد.

الگوریتم های فراابتکاری

توابع الگوریتم های فراابتکاری برای انجام مسائل بهینه سازی به دو دسته الگوریتم های خط سیر و الگوریتم های جمعیت مبنا تقسیم می‌شوند. الگوریتم های خط سیر شامل الگوریتم های حریصانه و شبیه سازی تبریدی را شامل و الگوریتم های جمعیت مبنا شامل الگوریتم ژنتیک و استراتژی های تکاملی هستند. الگوریتم های خط سیر، دارای قابلیت محاسباتی بسیار بالا هستند که برای حل مسائل بهینه سازی بسیار کار آمد بوده اما مناسب برای بهینه سازی چند هدفه نمی‌باشند.

توابع الگوریتم های ابتکاری و فراابتکاری

الگوریتم های بهینه سازی پاسخ های مختلفی را تولید می‌کنند که برای تمایز نتایج بدست آمده از توابع تست استفاده می‌شود که برایارزیابی ویژگی های الگوریتم مفید هستند. در ادامه به بررسی برخی از توابع رایج در الگوریتم های ابتکاری و فراابتکاری خواهیم پرداخت.

انتخاب تابع هدف یکی از مهمترین مراحل در الگوریتم های بهینه سازی می‌باشد. حال گاهی چندین هدف به طور همزمان در بهینه سازی مدنظر قرار میگیرد که با عنوان تابع چند هدفی شناخته می‌شوند. در صورتی که با این موارد مواجه شدید، یک تابع هدف جدید به صور ترکیب خطی تشکیل دهید که میزان اثرگذاری هر تابع با وزن اختصاص یافته را مشخص سازید. هر مسئله دارای تعدادی متغیر مستقل است که متغیر های طراحی نام دارند و با بردار نمایش داده می‌شوند.

تابع SPHERE

این تابع در تست های الگوریتم بهینه سازی بسیار مهم بوده وو هدف این تابع در واقع، بدست آوردن حداقل خروجی به ازای ورودی ها می‌باشد.

تابع ACKLEY

این تابع به طور گسترده ای در الگوریتم های بهینه سازی به ویژه الگوریتم های تکرار کننده مورد استفاده قرار می‌گیرد.

تابع SUM SQUARES

این تابع به عنوان تابع مربعات مجموع یا تابع موازی محور و پیوسته شناخته می‌شود که در دسته توابع تست قرار دارد.

تابع ROSENBROCK

این تابع یکی از محبوب ترین توابع برای الگوریتم های بهینه سازی مبتنی بر شیب می‌باشد که به تابع دره معروف است.

روش های فراابتکاری برگرفته از طبیعت

این نوع الگوریتم ها با الهام از طبیعت و انسان طراحی شده اند که برای مسائل بهینه سازی بسیاری مورد استفاده قرار می‌گیرند. معمولا از این نوع الگوریتم ها در ترکیب با سایر الگوریتم ها در جهت رسیدن به جواب بهینه استفاده می‌کنند.

الگوریتم های بهینه سازی معروف

• الگوریتم ژنتیک
• الگوریتم ازدحام ذرات
• الگوریتم کرم شب تاب
• الگوریتم کلونی
• الگوریتم رقابت استعماری
• الگوریتم تکاملی تفاضلی