1

الگوریتم دسته ماهی های مصنوعی

ایلناز خدادادی

پردازش های تکاملی – دکتر میرزایی

2

مقدمهAFو محیط پیرامون آن مدلAF)متغیرها و توابع( روند اجرایAFSAویژگی های الگوریتم بهبودهای الگوریتمکاربردها

مقدمهAFو محیط پیرامون آن مدلAF متغیرها و(

توابع(

روند اجرایAFSAویژگی های الگوریتم بهبودهای الگوریتم

کاربردها

3

توسط 2002ارائه در سال Xiaolei Li از خانواده الگوریتم های هوش جمعی است که در

آن از رفتارهای اجتماعی دسته ماهی ها در طبیعت الهام گرفته شده است

عنوان موفق ترین بودن روشهای بهینه سازی گروهمورچه ها، بهینه سازی دسته ذرات و بهینه سازی

الگوریتم ماهی های مصنوعی از دسته الگوریتم 2006های هوش دسته ای در سال

مقدمهAFو محیط پیرامون آن مدلAF متغیرها و(

توابع(

روند اجرایAFSAویژگی های الگوریتم بهبودهای الگوریتم

کاربردها

4

ایده : در دنیای زیر آب، معموال در جایی تعدادماهی بیشتری دارد که غذای بیشتری باشد

(مدل ماهی مصنوعیAF با چند رفتار از جمله )رفتارهای حرکت آزادانه، جستجوی غذا، حرکت

گروهی و دنباله روی ارائه شده است

مقدمهAFو محیط پیرامون آن مدلAF متغیرها و(

توابع(

روند اجرایAFSAویژگی های الگوریتم بهبودهای الگوریتم

کاربردها

5

AF یک موجودیت ساختگی از ماهی واقعی استکه در تحلیل و تفسیر مسائل از آن استفاده می

شود محیطی کهAF در آن زندگی می کند، فضای راه

های دیگر استAFحل و حوزه درجه تراکم غذا در منطقه آبی، تابع هدفAFSA

است وضعیتAFمنحصربفرد، متغیر بهینه سازی است

مقدمهAFو محیط پیرامون آن مدلAF متغیرها و(

توابع(

روند اجرایAFSAویژگی های الگوریتم بهبودهای الگوریتم

کاربردها

6

وضعیت فعلیAFبا بردار

X = )x1, x2, …. , xn( نمایش داده می شود.

X متغیرهای تابع بهینه سازی است

nتعداد ابعاد مساله است

Visual میدان دید ماهی مصنوعی است

Xv موقعیتی در حوزه دید AF می خواهد به آنجا AFاست، که

برود.

مقدمهAFو محیط پیرامون آن مدلAF متغیرها و(

توابع(

روند اجرایAFSAویژگی های الگوریتم بهبودهای الگوریتم

کاربردها

7

ماهی مصنوعی یک گام در به جلو می رود و Xvجهت

قرار می گیردXnextدر

Step حداکثر طول گام حرکت AFاست

dij = || Xi – Xj فاصله بین دو : ||AF که در وضعیت های Xi و Xj

قرار دارند

مقدمهAFو محیط پیرامون آن مدلAF متغیرها و(

توابع(

روند اجرایAFSAویژگی های الگوریتم بهبودهای الگوریتم

کاربردها

8

مدلAF:شامل دو بخش متغیرها و توابع می باشد

مقدمهAFو محیط پیرامون آن مدلAF متغیرها و(

توابع(

روند اجرایAFSAویژگی های الگوریتم بهبودهای الگوریتم

کاربردها

:متغیرهاXStepVisualtry_numberδضریب شلوغی :

1 >δ > 0

:توابعحرکت آزادانه رفتار جستجوی

)شکار( غذارفتار حرکت گروهی رفتار دنباله روی

)پیروی(

9

رفتار حرکت آزادانه(AF Move) ماهی ها در آب به صورت تصادفی شنا می کنند، در

حقیقت آنها یا به دنبال غذا یا همراهشان هستند.

.این یک رفتار پایه برای رفتار جستجوی غذا می باشد

مقدمهAFو محیط پیرامون آن مدلAF متغیرها و(

توابع(

روند اجرایAFSAویژگی های الگوریتم بهبودهای الگوریتم

کاربردها

10

رفتار جستجوی غذا(AF Prey) ماهی ها در آب به وسیله بینایی یا حواسشان تراکم و غلظت غذا را

می فهمند، سپس تصمیم می گیرند به سمت آن بروند یا نه

Y = f)X( ،باشد )برابر تراکم و غلظت غذا )مقدار تابع هدف مقایسه تراکم غذایی درXi و Xj:

اگرYj از Yi(بهتر باشد Yj > Yi ، ) AF یک قدم به سمت Xjحرکت می کند

،در غیراینصورتXj دیگری را به صورت تصادفی انتخاب می کند و مقایسه را انجام می دهد

اگر بعد ازtry_number بارتالش، شرط بهتر بودن Yj از Yi ،برقرار نشد رفتار حرکت آزادانه انجام می شود

مقدمهAFو محیط پیرامون آن مدلAF متغیرها و(

توابع(

روند اجرایAFSAویژگی های الگوریتم بهبودهای الگوریتم

کاربردها

11

رفتار حرکت گروهی(AF Swarm)Xc( موقعیت مرکزی گروه : Xcenter و )Yc تراکم غذایی در آن

نقطه

nf تعداد همسایگان موجود در میدان دید : Xc

اگرYc>Yi و nf/n>δ باشد، یک گام به سمت Xc:می رود

در غیراینصورت، رفتار جستجوی غذا اجرا می شود

مقدمهAFو محیط پیرامون آن مدلAF متغیرها و(

توابع(

روند اجرایAFSAویژگی های الگوریتم بهبودهای الگوریتم

کاربردها

12

رفتار دنباله روی(AF Follow) فرض کنیدXi وضعیت فعلی AF باشد، و همسایه Xj را کاوش کند

(dij > visual و )Yjرا می بیند

اگرYc>Yi و nf/n>δ باشد، یک گام به سمت Xj:می رود

در غیر اینصورت، رفتار جستجوی غذا اجرا می شود

مقدمهAFو محیط پیرامون آن مدلAF متغیرها و(

توابع(

روند اجرایAFSAویژگی های الگوریتم بهبودهای الگوریتم

کاربردها

13

Xi)t( موقعیت ماهی : i ام در زمان tXi)follow( موقعیت ماهی پس از اجرای رفتار دنباله روی توسط :

)Xi)tماهی مصنوعی از

Xi)swarm( موقعیت ماهی پس از اجرای رفتار گروهی توسط ماهی : )Xi)tمصنوعی از

Xi)t+1( موقعیت ماهی : i ام در زمان t+1:از رابطه زیر بدست می آید

مقدمهAFو محیط پیرامون آن مدلAF متغیرها و(

توابع(

روند اجرایAFSAویژگی های الگوریتم بهبودهای الگوریتم

کاربردها

14

مقدمهAFو محیط پیرامون آن مدلAF متغیرها و(

توابع(

روند اجرایAFSAویژگی های الگوریتم بهبودهای الگوریتم

کاربردها

15

مزایای های الگوریتمغیرحساس بودن به مقادیر اولیهانعطاف پذیری و تحمل پذیری خطای باالپارامترهای زیادی برای تنظیم ندارد

معایب الگوریتمعدم استفاده از تجربیات قبلی ماهی های مصنوعی در فرآیند بهینه سازی

سرعت همگرایی پاییندقت بهینه سازی پایین

عدم برقراری توازن میان جستجوی سراسری و جستجوی محلی دور شدن از بهینه سراسری پس از رسیدن به آنعدم پیشرفت الگوریتم در نزدیکی بهینه سراسری

هدر دادن محاسبات، پیچیدگی باال افزایش تعدادfitness evaluation

ضعف در پارامترها

مقدمهAFو محیط پیرامون آن مدلAF متغیرها و(

توابع(

روند اجرایAFSAویژگی های الگوریتم بهبودهای الگوریتم

کاربردها

16

بهبود : الگوریتم دسته ماهی های مصنوعی با پارامترهایتطبیقی

درAFSA استاندارد، پارامترهای حداکثر طول گام و میدان دید، ابتدای کار به صورت ثابت تعریف می شوند

:راه حل پیشنهاد شده توسط مهندس یزدانی و همکاران پارامترهای مسافتی حداکثر طول گام و میدان دید، در هر تکرار به صورت

تطبیقی با روابط زیر تغییر می کنند:

مقدمهAFو محیط پیرامون آن مدلAF متغیرها و(

توابع(

روند اجرایAFSAویژگی های الگوریتم بهبودهای الگوریتم

کاربردها

دور شدن از بهینه سراسری پس از رسیدن به •آن عدم پیشرفت الگوریتم در نزدیکی بهینه •

سراسری

17

بهبود : الگوریتم دسته ماهی های مصنوعی با پارامترهایتطبیقی

مقدمهAFو محیط پیرامون آن مدلAF متغیرها و(

توابع(

روند اجرایAFSAویژگی های الگوریتم بهبودهای الگوریتم

کاربردها

Visual : 50% از فضای داده مساله

Step : 30% از فضای داده مساله

Itrmax : 1000تکرار δ : 0.5try_number : 10Np : 30n : 5 در روش غیرخطی

18

بهبود : الگوریتم دسته ماهی های مصنوعی با پارامترهایتطبیقی

مقدمهAFو محیط پیرامون آن مدلAF متغیرها و(

توابع(

روند اجرایAFSAویژگی های الگوریتم بهبودهای الگوریتم

کاربردها

نمودار کاهش پارامتر Visual به صورت خطی و

غیرخطی

استاندارد و AFSAمقایسه نتایج APAFSA با کاهش خطی و

30غیرخطی بر روی تابع اکلی بعدی

19

بهبود : الگوریتم دسته ماهی های مصنوعی با استفاده از اطالعاتبهترین ماهی پیدا شده

در الگوریتمAFS تعداد زیادی از ماهی های مصنوعی در بهینه های ، محلی گیر می کنند و تعداد محدودی از آنها می توانند خودشان را به

ناحیه بهینه سراسری برسانند. توسطMingyan Jiang:و همکاران

اضافه شدن متغیرXbest به متغیرهای AFSA و استفاده از آن در بعضی از رفتارهای ماهی مصنوعی

( رفتار حرکت آزادانهAF Move):بدون تغییر و مشابه قبل

مقدمهAFو محیط پیرامون آن مدلAF متغیرها و(

توابع(

روند اجرایAFSAویژگی های الگوریتم بهبودهای الگوریتم

کاربردها

سرعت همگرایی پایین• دقت بهینه سازی پایین•

20

بهبود : الگوریتم دسته ماهی های مصنوعی با استفاده از اطالعاتبهترین ماهی پیدا شده

رفتار جستجوی غذا(AF Prey)

مقدمهAFو محیط پیرامون آن مدلAF متغیرها و(

توابع(

روند اجرایAFSAویژگی های الگوریتم بهبودهای الگوریتم

کاربردها

21

بهبود : الگوریتم دسته ماهی های مصنوعی با استفاده از اطالعاتبهترین ماهی پیدا شده

مقدمهAFو محیط پیرامون آن مدلAF متغیرها و(

توابع(

روند اجرایAFSAویژگی های الگوریتم بهبودهای الگوریتم

کاربردها

بهبود : الگوریتم دسته ماهی های مصنوعی با استفاده از اطالعاتبهترین ماهی پیدا شده

رفتار حرکت گروهی(AF Swarm)

( رفتار دنباله رویAF Follow)

22

بهبود : الگوریتم دسته ماهی های مصنوعی با استفاده از اطالعاتبهترین ماهی پیدا شده

مقدمهAFو محیط پیرامون آن مدلAF متغیرها و(

توابع(

روند اجرایAFSAویژگی های الگوریتم بهبودهای الگوریتم

کاربردها

23

بهبود : الگوریتم دسته ماهی های مصنوعی با استفاده از اطالعاتبهترین ماهی پیدا شده

مقدمهAFو محیط پیرامون آن مدلAF متغیرها و(

توابع(

روند اجرایAFSAویژگی های الگوریتم بهبودهای الگوریتم

کاربردها

24

:کاربردهای الگوریتمتخمین پارامترهابهینه سازی ترکیبییادگیری شبکه عصبی پیشروخوشه بندی داده ها......

مقدمهAFو محیط پیرامون آن مدلAF متغیرها و(

توابع(

روند اجرایAFSAویژگی های الگوریتم بهبودهای الگوریتم

کاربردها

25

با تشکر از توجه شما

مقدمهAFو محیط پیرامون آن مدلAF متغیرها و(

توابع(

روند اجرایAFSAویژگی های الگوریتم بهبودهای الگوریتم

کاربردها