الگوریتم ملخ : الگوریتم بهینه سازی GOA ، ترجمه ، کدنویسی ، اسلاید

الگوریتم ملخ : یک الگوریتم فراابتکاری الهام گرفته از رفتار ملخ ها در طبیعت می باشد، که در سال 2017 توسط صارمی و میرجلیلی ابداع و معرفی شد. در ادامه هر آنچه در خصوص الگوریتم GOA نیاز دارید را در اختیار شما عزیزان قرار داده ایم.

آشنایی با ملخ ها

ملخ از خانواده حشرات می باشد. آنها بعنوان آفت شناخته میشوند چرا که موجب آسیب زدن به محصولات و کشاوزی می باشند. چرخه زندگی ملخ در شکل زیر نشان داده شده است.

الگوریتم بهینه سازی ملخ

الگوریتم بهینه ساز ملخ یا GOA

اگرچه ملخ  معمولا در طبیعت بصورت تکی و جداگانه دیده میشود ، آنها در یکی از بزرگترین گروه ها از تمام موجودات قرار دارند.

اندازه گروه ها ممکن است در مقیاس خیلی بزرگ و یک کابوس برای کشاورزان باشد.

ملخهای بالدار مهاجر آسیایی آفریقایی از خانواده ملخهای جهنده صدادار هستند.

آنها در گروههای بزرگ زندگی می‌کنند. بزرگ‌ترین گروه ملخها که تا کنون ثبت شده، در سال ۱۸۷۵ در نبراسکا دیده شده، که در حدود بیش از ۱۱ هزارمیلیارد ملخ بالدار در کنار هم وجود داشته‌است.

جنبه منحصر به فرد ازدحام ملخ ها  این است که رفتار گروهی هم  در بین ملخ های پوره (نوزاد حشرات بدون دگردیسی را که از نظر شکل شبیه والدین بوده و تنها از نظر جثه کوچک‌ترند پوره به انگلیسی Nymph می‌نامند) و هم در بین ملخ های بزرگسال و بالغ دیده میشود.

میلیون ها ملخ پوره  میپرند و همانند میله سیلندر حرکت میکنند. در مسیر خود، تقریبا همه پوشش گیاهی را میخورند و بعد از این رفتار، زمانی که این ملخ ها بالغ میشوند، گروهی را در هوا تشکیل میدهند .

الگوریتم بهینه سازی ملخ چیست؟

مدل ریاضی الگوریتم GOA تقلیدی از رفتار دسته ملخ ها در طبیعت برای حل مسئله بهینه سازی می باشد.
نتایج شبیه سازی ها نشان می دهد که الگوریتم ملخ قادر به ارائه نتایج برتر در مقایسه با الگوریتم های شناخته شده و اخیر در ادبیات است.
نتایج شبیه سازی بر روی مسائل واقعی نیز ثابت کرد که الگوریتم ملخ قادر به حل مسائل واقعی با فضای ناشناخته می باشد.

آشنایی با الگوریتم بهینه سازی ملخ GOA :

الگوریتم ملخ با تقلید رفتار توده ملخ ها در طبیعت بوجود آمده است. در واقع ملخ ها در طبیعت زمانی که بصورت گروهی زندگی میکنند برای یافتن غذا یک الگوی رفتاری دارند که شامل دو مرحله می باشد:
• مرحله اکتشاف
• مرحله بهره برداری
و این دو مرحله از ملزومات الگوریتم های بهینه سازی یا فراابتکاری می باشد. پس این رفتار ملخ ها پتانسیل تبدیل شدن به یک الگوریتم تکاملی را دارد.

الگوریتم های تکاملی یا فراابتکاری جزو ابزاهای جدید بهینه سازی می باشند. در گذشته برای بهینه سازی از روشهای ریاضی استفاده میشد که برای خیلی از کاربردهای دنیای واقعی خصوصا برای مسائل Np-Hard ناکارامد می باشند.

الگوریتم ملخ را میتوان برای حل انواع مختلف مسائل بهینه سازی در رشته های مختلف به کار برد:

  • استفاده از الگوریتم ملخ برای بهینه سازی در رشته برق
  • استفاده از الگوریتم ملخ برای بهینه سازی در رشته کامپیوتر
  • استفاده از الگوریتم ملخ برای بهینه سازی در رشته صنایع
  • استفاده از الگوریتم ملخ برای بهینه سازی در رشته عمران
  • استفاده از الگوریتم ملخ برای بهینه سازی در رشته مدیریت
  • استفاده از الگوریتم ملخ برای بهینه سازی در رشته مکانیک
  • استفاده از الگوریتم ملخ برای بهینه سازی در رشته هوش مصنوعی
  • و سایر رشته ها

زندگی ملخ ها شامل دو مرحله می باشد :

  1. مرحله نوزادی یا لارو
  2. مرحله بلوغ و بزرگسالی

مشخصه و ویژگی اصلی گروه  در مرحله لارو حرکت آرام و گام های کوچک ملخ ها می باشد.

در مقابل حرکت های ناگهانی و بلند از ویژگی های اسای گرو ه در بزرگسالی می باشد.

جستجوی منبع غذا یکی دیگر از ویژگی های مهم توده ملخ ها می باشد.

همانطور که در مقدمه بحث شد ، الگوریتم های الهام گرفته شده از طبیعت بصورت منطقی فرایند جستجو را به دو بخش تقسیم میکنند:

اکتشاف و بهره برداری.

در اکتشاف، عامل های جستجو تشویق به حرکت های تصادفی میشوند

در حالی که در مرحله بهره برداری آنها تمایل به حرکت های محلی و اطراف مکان خود دارند.

این دو عمل،  و همچنین جستجوی هدف، به طور طبیعی توسط ملخ انجام میگیرد. بنابراین ، اگر ما روشی برای مدل کردن ریاضی این رفتار پیدا کنیم، میتوانیم یک الگوریتم الهام گرفته از طبیعت جدید را طراحی کنیم.

مطالب زیر را حتما بخوانید

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

تماس سریع