بهینه سازی بر پایه الگوریتم های فراابتکاری

کتاب بهینه سازی بر پایه الگوریتمهای فراابتکاری قابل استفاده برای: متخصصین، دانشجویان (تمامی سطوح تحصیلی) و علاقمندان در رشته های علوم پایه، علوم مهندسی، کامپیوتر، کشاورزی، اقتصاد و مدیریت

مولفان کتاب:

1. دکتر سیدعلی اکبر صفوی (استاد دانشگاه شیراز)
2. مهندس نرگس پورجعفریان (کارشناسی ارشد از دانشگاه شیراز)
3. مهندس سیدعلی صفوی (کارشناسی از دانشگاه شیراز)

بخشی از پیشگفتار کتاب:

دستیابی به حالت بهینه یکی از اساسی ترین مسائل موجود در جهان از زمان پیدایش هستی بوده است. گستره کاربرد مباحث مرتبط به بهینه سازی بسیار وسیع می باشد. ریاضیات، علوم کامپیوتر، مهندسی، فیزیک و اقتصاد تنها بخشی از این مباحث را تشکیل می دهند. در این نوع مسائل هدف به دست آوردن بهترین حالت تصمیم گیری از بین چندین حالت مختلف می باشد. الگوریتمهای فراابتکاری را می توان یکی از مهمترین روشهای حل مساول بهینه سازی به شمار آورد. این الگوریتم ها دارای تنوع بسیار زیادی می باشند. تنوع زیاد این الگوریتم ها در حل مسائل مختلف و همچنین ارائه الگوریتم های جدید و با عناوین مختلف، باعث گردیده انتخاب یک الگوریتم مناسب برای کاربری که قصد استفاده از آنها را داردف کاری سخت و پیچیده گردد. از جهت دیگر هر یک از این الگوریتم ها با دقت و سرعت خاصی جواب بهینه را بدست می آورند. بنابراین وجود ساختاری که بتواند به خوبی تفاوت های این الگوریتم ها را مشخص کند و مقایسه آنها را راحت تر گرداند، ضروری به نظر می رسد. از طرفی به طور معمول پیاده سازی هر یک از الگوریتم ها نیاز به دانش کامل از آن الگوریتم و دانش برنامه نویسی حرفه ای دارد.

در این کتاب که بر اساس سالها تحقیق نویسندگان حاصل شده است تعدادی از مشهورترین  الگوریتم های بهینه سازی شامل الگوریتم تپه نوردی، ژنتیک (GA)، شبیه ساز تبرید یا سرمایش و گرمایش تدریجی (SA)، جستجوی ممنوع (TS)، سیستم ایمنی مصنوعی (AIS)، کلونی مورچه ها (ACO)، گروه ذرات یا پرندگان (PSO)، تکامل تفاضلی (DE)، جهش قورباغه (SFLA) و رقابت استعماری (ICA)، انتخاب و مورد تشریح و بررسی قرار گرفته است. با توجه به ساختار اصلی هر یک از الگوریتم ها، نقاط مشترک آنها تعیین گردیده و سپس ساختار منسجم برای یکپارچه سازی آنها ارائه گردیده است. بدین صورت علاوه بر تسهیل مسأله انتخاب روش، امکان تنظیم پارامترهای جدید مبتنی بر ترکیب ایده های هر کدام از روش های قبلی موجب کارآمدی روش یکپارچه سازی پیشنهادی شده است.

از طرف دیگر به منظور استفاده ساده تر همگان از چارچوب یکپارچه سازی الگوریتمهای فراابتکاری و بهینه سازی های معرفی شده، یک جعبه افزار گرافیکی بنام UMHF-ACL بر مبنای کدنویسی در محیط MATLAB توسط نویسندگان طراحی و در CD ضمیمه کتاب قرار داده شده است. با استفاده از این جعبه افزار، می توان الگوریتم های معرفی شده را به سادگی و بدون نیاز به کدنویسی به مسائل مختلف بهینه سازی اعمال کرده و بین قابلیت های روش های مختلف نیز مقایسه صورت پذیرد.

فهرست مطالب کتاب:

بهینه سازی

در این فصل اهمیت بهینه سازی مطرح شده و برخی از انواع مسائل موجود مورد بررسی قرار گرفته است. پس از آن روش های موجود بیان گردیده و سپس ساختار الگوریتم های بهینه سازی توضیح داده شده است که شامل بخشهای زیر می باشد:

1. تئوری بهینه سازی
2. مسائل بهینه سازی
3. تقسیم بندی روش های بهینه سازی
4. ساختار الگوریتم های بهینه سازی تکاملی

الگوریتم های بهینه سازی فرا ابتکاری

در این فصل الگوریتم های احتمالی که یکی از روش های مهم در بهینه سازی به حساب می آیند مطرح گردیده و چند دسته مهم از این کلاس از الگوریتم ها توصیف می شوند. سپس از هر دسته تعدادی به تفصیل بیان می گردد که شامل مباحث زیر می باشد:

1. روش مونت کارلو
2. محاسبات تکاملی: الگوریتم های تکاملی – هوش دسته جمعی
3. انتخاب دسته ای از الگوریتم های بهینه سازی
4. الگوریتم تپه نوردی
5. الگوریتم ژنتیک
6. الگوریتم شبیه ساز تبرید یا سرمایش و گرمایش تدریجی
7. الگوریتم جستجوی ممنوع
8. الگوریتم سیستم ایمنی مصنوعی
9. الگوریتم کلونی مورچه ها
10. الگوریتم گروه ذرات یا پرندگان
11. الگوریتم تکامل تفاضلی
12. الگوریتم جهش قورباغه
13. الگوریتم رقابت استعماری

یکپارچه سازی دسته ای از الگوریتم های فرا ابتکاری

در این فصل با استخراج اجزای اصلی و مهم هر یک از الگوریتم های توضیح داده شده در فصل قبل، روشی برای یکپارچه سازی آنها پیشنهاد گردیده است. این فصل شامل مباحث زیر می باشد:

1. دسته بندی الگوریتم های بهینه سازی: روش جستجو بر اساس ایجاد عضو – روش جستجو بر اساس تشکیل جمعیت
2. یکپارچه سازی الگوریتمهای فرا ابتکاری: دسته اول: الگوریتم های با جستجوی مبتنی بر اعضا – دسته دوم: الگوریتم های با جستجوی گروهی

کاربردهای یکپارچه سازی الگوریتم های فرا ابتکاری

در این فصل، مزایا و کاربرد استفاده از روش یکپارچه سازی از جنبه های مختلف، مانند کاربرد آن در آموزش شبکه های عصبی مورد بررسی قرار گرفته است که شامل بخشهای زیر می باشد:

1. بهبود اعضای جمعیت
2. برنامه نویسی
3. تابع هزینه
4. جلوگیری از ارائه الگوریتم های یکسان با نام های مختلف
5. استفاده از جستجوی محلی
6. الجاد الگوریتم های ترکیبی
7. عملگر جهش
8. عملگر قطع
9. نظریه آشوب
10. شبکه عصبی: اجزای شبکه عصبی مصنوعی – آموزش شبکه های عصبی به کمک الگوریتم های بهینه سازی

بررسی نتایج شبیه سازی

در این فصل، نتایج شبیه سازی ها قرار گرفته و همچنین نحوه عملکرد جعبه ابزار تهیه شده بر مبنای روش یکپارچه سازی دسته ای از الگوریتم های بهینه سازی ارائه گردیده است که شامل بخشهای زیر می باشد:

1. انواع مسائل بهینه سازی
2. مروری بر توابع محک: تابع Sphere – تابع RosenBrock – تابع Rastrigin
3. نتایج شبیه سازی
4. بهبود الگوریتمهای فرا ابتکاری