1 / 25

الگوریتم دسته ماهی های مصنوعی

الگوریتم دسته ماهی های مصنوعی. ایلناز خدادادی پردازش های تکاملی – دکتر میرزایی. کاربردها. روند اجرای AFSA ویژگی های الگوریتم بهبودهای الگوریتم. مقدمه AF و محیط پیرامون آن مدل AF (متغیرها و توابع). مقدمه AF و محیط پیرامون آن مدل AF (متغیرها و توابع) روند اجرای AFSA

eshana
Download Presentation

الگوریتم دسته ماهی های مصنوعی

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. الگوریتم دسته ماهی های مصنوعی ایلناز خدادادی پردازش های تکاملی – دکتر میرزایی

  2. کاربردها • روند اجرای AFSA • ویژگی های الگوریتم • بهبودهای الگوریتم • مقدمه • AF و محیط پیرامون آن • مدل AF (متغیرها و توابع) • مقدمه • AF و محیط پیرامون آن • مدل AF (متغیرها و توابع) • روند اجرای AFSA • ویژگی های الگوریتم • بهبودهای الگوریتم • کاربردها

  3. کاربردها • روند اجرای AFSA • ویژگی های الگوریتم • بهبودهای الگوریتم • مقدمه • AF و محیط پیرامون آن • مدل AF (متغیرها و توابع) • ارائه در سال 2002 توسط 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 گروه مورچه ها، بهینه سازی دسته ذرات و بهینه سازی الگوریتم ماهی های مصنوعی از دسته الگوریتم های هوش دسته ای در سال 2006

  4. کاربردها • روند اجرای AFSA • ویژگی های الگوریتم • بهبودهای الگوریتم • مقدمه • AF و محیط پیرامون آن • مدل AF (متغیرها و توابع) • ایده : در دنیای زیر آب، معمولا در جایی تعداد ماهی بیشتری دارد که غذای بیشتری باشد • مدل ماهی مصنوعی(AF) با چند رفتار از جمله رفتارهای حرکت آزادانه، جستجوی غذا، حرکت گروهی و دنباله روی ارائه شده است

  5. کاربردها • روند اجرای AFSA • ویژگی های الگوریتم • بهبودهای الگوریتم • مقدمه • AF و محیط پیرامون آن • مدل AF (متغیرها و توابع) • AF یک موجودیت ساختگی از ماهی واقعی است که در تحلیل و تفسیر مسائل از آن استفاده می شود • محیطی که AF در آن زندگی می کند، فضای راه حل و حوزه AF های دیگر است • درجه تراکم غذا در منطقه آبی، تابع هدف AFSA است • وضعیت AF منحصربفرد، متغیر بهینه سازی است

  6. کاربردها • روند اجرای AFSA • ویژگی های الگوریتم • بهبودهای الگوریتم • مقدمه • AF و محیط پیرامون آن • مدل AF (متغیرها و توابع) • وضعیت فعلی AF با بردار X = (x1, x2, …. , xn) نمایش داده می شود. • X متغیرهای تابع بهینه سازی است • n تعداد ابعاد مساله است • Visual میدان دید ماهی مصنوعی است • Xv موقعیتی در حوزه دید AF است، که AF می خواهد به آنجا برود.

  7. کاربردها • روند اجرای AFSA • ویژگی های الگوریتم • بهبودهای الگوریتم • مقدمه • AF و محیط پیرامون آن • مدل AF (متغیرها و توابع) • ماهی مصنوعی یک گام در جهت Xv به جلو می رود و در Xnext قرار می گیرد • Step حداکثر طول گام حرکت AF است • dij = || Xi – Xj|| : فاصله بین دو AF که در وضعیت های Xi و Xj قرار دارند

  8. کاربردها • روند اجرای AFSA • ویژگی های الگوریتم • بهبودهای الگوریتم • مقدمه • AF و محیط پیرامون آن • مدل AF (متغیرها و توابع) • مدل AF شامل دو بخش متغیرها و توابع می باشد: • توابع: • حرکت آزادانه • رفتار جستجوی (شکار) غذا • رفتار حرکت گروهی • رفتار دنباله روی (پیروی) • متغیرها: • X • Step • Visual • try_number • δ : ضریب شلوغی • 1> δ > 0

  9. کاربردها • روند اجرای AFSA • ویژگی های الگوریتم • بهبودهای الگوریتم • مقدمه • AF و محیط پیرامون آن • مدل AF (متغیرها و توابع) • 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.

  10. کاربردها • روند اجرای AFSA • ویژگی های الگوریتم • بهبودهای الگوریتم • مقدمه • AF و محیط پیرامون آن • مدل AF (متغیرها و توابع) • 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) برابر تراکم و غلظت غذا (مقدار تابع هدف) باشد، • مقایسه تراکم غذایی در Xi و Xj : • اگر Yj از Yi بهتر باشد(Yj > Yi ) ، AF یک قدم به سمت Xj حرکت می کند • در غیراینصورت، Xj دیگری را به صورت تصادفی انتخاب می کند و مقایسه را انجام می دهد • اگر بعد از try_number بارتلاش، شرط بهتر بودن Yj از Yi برقرار نشد، رفتار حرکت آزادانه انجام می شود

  11. کاربردها • روند اجرای AFSA • ویژگی های الگوریتم • بهبودهای الگوریتم • مقدمه • AF و محیط پیرامون آن • مدل AF (متغیرها و توابع) • 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 • اگر Yc>Yi و nf/n<δ باشد، یک گام به سمت Xc می رود: • در غیراینصورت، رفتار جستجوی غذا اجرا می شود

  12. کاربردها • روند اجرای AFSA • ویژگی های الگوریتم • بهبودهای الگوریتم • مقدمه • AF و محیط پیرامون آن • مدل AF (متغیرها و توابع) • رفتار دنباله روی (AF Follow) • فرض کنید Xi وضعیت فعلی AF باشد، و همسایه Xj را کاوش کند (dij < visual) و Yj را می بیند • اگر Yc>Yi و nf/n<δ باشد، یک گام به سمت Xj می رود: • در غیر اینصورت، رفتار جستجوی غذا اجرا می شود

  13. کاربردها • روند اجرای AFSA • ویژگی های الگوریتم • بهبودهای الگوریتم • مقدمه • AF و محیط پیرامون آن • مدل AF (متغیرها و توابع) • Xi(t) : موقعیت ماهی i ام در زمان t • Xi(follow) : موقعیت ماهی پس از اجرای رفتار دنباله روی توسط ماهی مصنوعی از Xi(t) • Xi(swarm) : موقعیت ماهی پس از اجرای رفتار گروهی توسط ماهی مصنوعی از Xi(t) • Xi(t+1) : موقعیت ماهی i ام در زمان t+1 • از رابطه زیر بدست می آید:

  14. کاربردها • روند اجرای AFSA • ویژگی های الگوریتم • بهبودهای الگوریتم • مقدمه • AF و محیط پیرامون آن • مدل AF (متغیرها و توابع)

  15. کاربردها • روند اجرای AFSA • ویژگی های الگوریتم • بهبودهای الگوریتم • مقدمه • AF و محیط پیرامون آن • مدل AF (متغیرها و توابع) • مزایای های الگوریتم • غیرحساس بودن به مقادیر اولیه • انعطاف پذیری و تحمل پذیری خطای بالا • پارامترهای زیادی برای تنظیم ندارد • معایب الگوریتم • عدم استفاده از تجربیات قبلی ماهی های مصنوعی در فرآیند بهینه سازی • سرعت همگرایی پایین • دقت بهینه سازی پایین • عدم برقراری توازن میان جستجوی سراسری و جستجوی محلی • دور شدن از بهینه سراسری پس از رسیدن به آن • عدم پیشرفت الگوریتم در نزدیکی بهینه سراسری • هدر دادن محاسبات، پیچیدگی بالا • افزایش تعداد fitness evaluation • ضعف در پارامترها

  16. کاربردها • روند اجرای AFSA • ویژگی های الگوریتم • بهبودهای الگوریتم • مقدمه • AF و محیط پیرامون آن • مدل AF (متغیرها و توابع) • بهبود : الگوریتم دسته ماهی های مصنوعی با پارامترهای تطبیقی • در AFSA 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: • دور شدن از بهینه سراسری پس از رسیدن به آن • عدم پیشرفت الگوریتم در نزدیکی بهینه سراسری

  17. کاربردها • روند اجرای AFSA • ویژگی های الگوریتم • بهبودهای الگوریتم • مقدمه • AF و محیط پیرامون آن • مدل AF (متغیرها و توابع) • بهبود : الگوریتم دسته ماهی های مصنوعی با پارامترهای تطبیقی Visual : 50% از فضای داده مساله Step : 30% از فضای داده مساله Itrmax : 1000 تکرار δ : 0.5 try_number : 10 Np : 30 n در روش غیرخطی : 5

  18. کاربردها • روند اجرای AFSA • ویژگی های الگوریتم • بهبودهای الگوریتم • مقدمه • AF و محیط پیرامون آن • مدل AF (متغیرها و توابع) • بهبود : الگوریتم دسته ماهی های مصنوعی با پارامترهای تطبیقی نمودار کاهش پارامتر Visual به صورت خطی و غیرخطی مقایسه نتایج AFSA استاندارد و APAFSA با کاهش خطی و غیرخطی بر روی تابع اکلی 30 بعدی

  19. کاربردها • روند اجرای AFSA • ویژگی های الگوریتم • بهبودهای الگوریتم • مقدمه • AF و محیط پیرامون آن • مدل AF (متغیرها و توابع) • بهبود : الگوریتم دسته ماهی های مصنوعی با استفاده از اطلاعات بهترین ماهی پیدا شده • در الگوریتم AFS ، 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. • توسط Mingyan Jiang و همکاران: • اضافه شدن متغیر Xbest به متغیرهای AFSA و استفاده از آن در بعضی از رفتارهای ماهی مصنوعی • رفتار حرکت آزادانه (AF Move) • بدون تغییر و مشابه قبل: • سرعت همگرایی پایین • دقت بهینه سازی پایین

  20. کاربردها • روند اجرای AFSA • ویژگی های الگوریتم • بهبودهای الگوریتم • مقدمه • AF و محیط پیرامون آن • مدل AF (متغیرها و توابع) • بهبود : الگوریتم دسته ماهی های مصنوعی با استفاده از اطلاعات بهترین ماهی پیدا شده • رفتار جستجوی غذا (AF Prey)

  21. کاربردها • روند اجرای AFSA • ویژگی های الگوریتم • بهبودهای الگوریتم • مقدمه • AF و محیط پیرامون آن • مدل AF (متغیرها و توابع) • بهبود : الگوریتم دسته ماهی های مصنوعی با استفاده از اطلاعات بهترین ماهی پیدا شده • رفتار حرکت گروهی (AF Swarm) • رفتار دنباله روی (AF Follow) • بهبود : الگوریتم دسته ماهی های مصنوعی با استفاده از اطلاعات بهترین ماهی پیدا شده

  22. کاربردها • روند اجرای AFSA • ویژگی های الگوریتم • بهبودهای الگوریتم • مقدمه • AF و محیط پیرامون آن • مدل AF (متغیرها و توابع) • بهبود : الگوریتم دسته ماهی های مصنوعی با استفاده از اطلاعات بهترین ماهی پیدا شده

  23. کاربردها • روند اجرای AFSA • ویژگی های الگوریتم • بهبودهای الگوریتم • مقدمه • AF و محیط پیرامون آن • مدل AF (متغیرها و توابع) • بهبود : الگوریتم دسته ماهی های مصنوعی با استفاده از اطلاعات بهترین ماهی پیدا شده

  24. کاربردها • روند اجرای AFSA • ویژگی های الگوریتم • بهبودهای الگوریتم • مقدمه • AF و محیط پیرامون آن • مدل AF (متغیرها و توابع) • کاربردهای الگوریتم: • تخمین پارامترها • بهینه سازی ترکیبی • یادگیری شبکه عصبی پیشرو • خوشه بندی داده ها • ......

  25. کاربردها • روند اجرای AFSA • ویژگی های الگوریتم • بهبودهای الگوریتم • مقدمه • AF و محیط پیرامون آن • مدل AF (متغیرها و توابع) • با تشکر از توجه شما

More Related