الگوریتم بهینه سازی شکارچیان دریایی : Marine Predators Algorithm
الگوریتم بهینه سازی شکارچیان دریایی (به لاتین Marine Predators Algorithm ) یک الگوریتم فراابتکاری الهام گرفته شده از طبیعت است که در سال 2020 معرفی و منتشر شد.
الگوریتم شکارچیان دریایی که به اختصار MPA نامیده میشود ، با توجه به استراتژی های حرکتی که شکارچیان دریایی در هنگام به دام انداختن طعمه خود در اقیانوس ها استفاده میکنند الهام گرفته شده است.
رفتار و استراتژی غالب جستجو و تعقیب معروف شکارچیان دریایی یعنی حرکت های تصادفی را میتوان با دو روش زیر مدل کرد:
- روش Lévy flight
- روش Brownian motion
دو روش ذکر شده در کلاس روشهای پیاده روی تصادفی هستند.
براساس تئوری “بقای اصلح” ، شکارچیان برای اینکه شانس خود برای پیدا کردن شکار در طبیعت را به حداکثر برسانند باید یک استراتژی بهینه را انتخاب کنند.
به طور کلی ، اکثر حیوانات در طبیعت برای پیدا کردن غذا ، به طور موثری از استراتژی پیاده روی تصادفی یا Random Walk استفاده میکنند.
پیاده روی تصادفی ، یک فرآیند تصادفی است که در آن وضعیت یا موقعیت بعدی، به وضعیت فعلی و احتمال انتقال به مکان بعدی وابسته است؛ که می تواند از لحاظ ریاضی مدل شود (فردریک بارتومئوس و همکاران ، 2005).
این استراتژی های بهینه توسط اکوسیستم تکامل یافته و به طور طبیعی توسط شکارچیان برای زنده ماندن انتخاب شده اند.
یکی از کلاس های معروف Random Walk ، کلاس حرکت لوی یا Levy flight می باشد.، که براساس یک نظریه جستجوی بهینه انجام می شود (همفریس و همکاران ، 2010).
خانواده این راهبردهای جستجو، حرکتی را توصیف می کنند که با ویژگی هایی مانند حرکت های کوچک فراوان، همراه با جابجایی های طولانی تر ، بر اساس توزیع احتمال خاصی ، توصیف می شود.
مطالعاتی وجود دارد که نشان می دهد بسیاری از حیوانات و موجودات دریایی از الگوی پرواز لوی به عنوان سیاست تغذیه ای مطلوب خود استفاده می کنند (هامفریس و همکاران ، 2010 ؛ رینولدز و فری ، 2007 ؛ سیمز و همکاران ، 2008 ؛ ویسواناتان و همکاران ، 1996).
الگوریتم شکارچیان دریایی یا MBA نیز با بررسی شکارچیان اقیانوس ها و دریاها و حرکات لوی شکل آنها برای به دام انداختن طعمه بوجود آمده است.
الگوریتم شکارچیان دریایی MBA :
الگوریتم MBA ، یک الگوریتم فراابتکاری مبتنی بر جمعیت است. و در فاز اول ، یک جمعیت تصادفی از شکارچیان را در فضای جستجو تولید میکند.
سپس با توجه به اینکه شکارچیان قوی تر شانس و سهم بیشتری از غذا می برند ، بهترین راه حل برای ساخت یک ماتریس بنام ماتریس Elite یا نخبگان مورد استفاده قرار میگیرد.
آرایه های این ماتریس ، فرایند پیدا کردن و جستجوی طعمه را بر اساس موقعیت طعمه هدایت میکنند.
فرایند بهینه سازی MPA با توجه به متفاوت بودن سرعت شکار و طعمه ، به سه مرحله اصلی بهینه سازی تقسیم می شود:
- فاز اول : زمانی که طعمه سریعتر از شکارچی حرکت می کند ،
- فاز دوم : هنگامی که طعمه و شکارچی تقریباً با سرعت یکسان حرکت می کنند ،
- فاز سوم : هنگامی که شکارچی سریعتر از طعمه در حال حرکت است
برای هر مرحله تعریف شده ، یک دوره خاص تکرار مشخص و اختصاص داده می شود. این مراحل براساس قوانین حاکم بر ماهیت حرکت شکارچی و طعمه در طبیعت تعریف می شود.
