Transcript الگوريتم پرش قورباغه ها Shuffled Frog Leaping Algorithm مريم توکلی زيرنظر دکتر ميرزائی تاريخچه • تاريخچه  در سال 1993 پيدايش ايده الگوريتم ( ترکيب اطالعات محلي.

‫الگوريتم پرش قورباغه ها‬
‫‪Shuffled Frog Leaping‬‬
‫‪Algorithm‬‬
‫مريم توکلی‬
‫زيرنظر دکتر ميرزائی‬
‫تاريخچه •‬
‫تاريخچه‬
‫‪‬در سال ‪ 1993‬پيدايش ايده الگوريتم ( ترکيب اطالعات محلي به دست آمده براي به دست‬
‫آوردن يک جواب بهينه جهاني) توسط ‪ Duan‬و ‪Gupta‬‬
‫‪‬در سال ‪ 1995‬پيشنهاد الگوريتم ‪ PSO‬توسط ‪ Kennedy‬و ‪Eberhart‬‬
‫‪‬پيدايش چارچوب دقيق اين الگوريتم‪ ،‬درسال ‪ 2003‬توسط ‪ Eusuff‬و ‪ Lansey‬بود‬
‫‪‬در سال ‪ 2004‬توسط ‪ Liong‬و ‪ Atiquzzaman‬با ايده الگوريتمهاي ‪Memetic‬‬
‫ترکيب شد‬
‫‪‬در سال ‪ 2005‬توسط ‪ Elbeltagi‬و گروهش مقايسه جامعي با ساير الگوريتم هاي تکاملي‬
‫انجام شد و کارايي آن بررس ي شد‬
‫‪‬درسال ‪ 2006‬ارائه کنندگان ‪ ,SFLA‬اين الگوريتم را براي مسائل بهينه سازي گسسته نيز‬
‫استفاده کردند و نيز ففاکتوري به نام فاکتور بهينه سازي به آن افزودند‪.‬‬
‫‪‬در سال ‪ 2009‬بهبود اين الگوريتم براي مسائل بهينه سازي پيوسته توسط ‪ Zhen‬ارائه شده‬
‫است‪.‬‬
‫‪‬در اين سال ها و سال هاي بعد کارايي ‪application‬هاي بسياري توسط اين روش بهبود‬
‫پيدا کرد‪.‬‬
‫زمينه ي زيستي •‬
‫ساير الگوريتمهاي تکاملي •‬
‫‪ Gene‬در برابر ‪• Meme‬‬
‫‪• SCE‬‬
‫‪• PSO‬‬
‫‪• SFLA‬‬
‫بررس ي يک مسئله •‬
‫کارايي •‬
‫کاربرد •‬
‫الگوريتم هاي مشابه •‬
‫تاريخچه •‬
‫زمينه ي زيستي‬
‫‪‬طبيعت الهام بخش‬
‫زمينه ي زيستي •‬
‫ساير الگوريتمهاي تکاملي •‬
‫‪ Gene‬در برابر ‪• Meme‬‬
‫‪‬حرکت دسته جمعي گروهي از موجودات زنده مثل حرکت مورچه ها‪ ،‬پرواز‬
‫‪• SCE‬‬
‫پرندگان‪ ,‬پرش قورباغه ها و ‪...‬‬
‫‪• PSO‬‬
‫‪‬دوعامل موثر در تکامل موجودات‪ :‬ژنتيک و آموزش (با نام فرهنگ در جامعه‬
‫انساني)‬
‫‪‬اساس اين الگوريتم بر تاثير همسايگي و تبادل اطالعاتي است که بين افراد‬
‫مختلف در يک نسل مبادله مي شود‪.‬‬
‫‪• SFLA‬‬
‫بررس ي يک مسئله •‬
‫کارايي •‬
‫کاربرد •‬
‫الگوريتم هاي مشابه •‬
‫هاي‬
‫تکاملي‬
‫تاريخچه •‬
‫زمينه ي زيستي •‬
‫ساير الگوريتمهاي تکاملي •‬
‫‪ Gene‬در برابر ‪• Meme‬‬
‫‪‬ژنتيک‬
‫‪‬ممتيک‬
‫‪ACO‬‬
‫‪PSO‬‬
‫‪‬پرش قورباغه‬
‫‪• SCE‬‬
‫‪• PSO‬‬
‫‪• SFLA‬‬
‫بررس ي يک مسئله •‬
‫کارايي •‬
‫کاربرد •‬
‫الگوريتم هاي مشابه •‬
‫تاريخچه •‬
‫‪ Meme‬در برابر ‪Gene‬‬
‫‪ Meme‬يک بسته حاوي اطالعات قابل انتقال ميباشد که قابليت جابجايي بين‬
‫زمينه ي زيستي •‬
‫ساير الگوريتمهاي تکاملي •‬
‫‪ Gene‬در برابر ‪• Meme‬‬
‫افراد مختلف را دارد‪.‬‬
‫‪• SCE‬‬
‫اين بسته ها برخالف ‪Gene‬ها مي توانند در بين افراد هم نسل جابه جا شده يا با‬
‫‪• PSO‬‬
‫جشتجوي محلي توسط خود فرد بهبود داده شوند‪.‬‬
‫هم چنين برخالف ‪Gene‬ها که تنها بين والد و فرزند دست به دست مي شوند؛‬
‫‪• SFLA‬‬
‫بررس ي يک مسئله •‬
‫‪Meme‬ها بين هر دو فرد از جامعه قابليت جابجايي دارند‬
‫کارايي •‬
‫مجموعه ي ويژه مم به عنوان يک مفهوم‪ ,‬مموتيپ ناميده ميشود‪.‬‬
‫کاربرد •‬
‫مم = ژن و‬
‫مموتيپ = کروموزوم‬
‫الگوريتم هاي مشابه •‬
‫تاريخچه •‬
‫‪ Meme‬در برابر ‪Gene‬‬
‫زمينه ي زيستي •‬
‫ساير الگوريتمهاي تکاملي •‬
‫‪ Gene‬در برابر ‪• Meme‬‬
‫‪Meme‬ها توسط شخص ي که دارنده آنهاست بهبود مييابند چيزي که در ژنها‬
‫هيچ وقت اتفاق نميافتد‪.‬‬
‫ا‬
‫تعداد افرادي که ميتوانند يک ‪ Meme‬را از يک فرد خاص بدست آورند معمول‬
‫بينهايت است‪.‬‬
‫‪• SCE‬‬
‫‪• PSO‬‬
‫‪• SFLA‬‬
‫بررس ي يک مسئله •‬
‫کارايي •‬
‫کاربرد •‬
‫الگوريتم هاي مشابه •‬
‫ظهور ممتيک‬
‫در برابر ژنتيک‬
‫تاريخچه •‬
‫زمينه ي زيستي •‬
‫ساير الگوريتمهاي تکاملي •‬
‫‪ Gene‬در برابر ‪• Meme‬‬
‫الگوريتم هاي ممتيک اولين بار توسط داوکينز ارائه شد‪.‬‬
‫تفاوت‪ :‬کروموزوم ها مي توانند قبل از درگيري در فرآيند تکامل به‬
‫وسيله جستجوي محلي تجربه کسب کنند‪( .‬جمعيت شرکت‬
‫کننده در فرايند تکامل بهينه هاي محلي دسته هاي مختلف‬
‫است‪).‬‬
‫بدين ترتيب در نسل بعد کساني مي مانند که سازگاري يا تجربه‬
‫بيش تري دارند‬
‫‪• SCE‬‬
‫‪• PSO‬‬
‫‪• SFLA‬‬
‫بررس ي يک مسئله •‬
‫کارايي •‬
‫کاربرد •‬
‫الگوريتم هاي مشابه •‬
‫تاريخچه •‬
‫‪ SCE‬پايه الگوريتم ‪SFL‬‬
‫‪Shuffled Complex Evolution‬‬
‫هردو نوع جستجوي محلي و جهاني‬
‫جستجوي محلي با يک روند ‪( Memetic‬روندي مشابه ‪)PSO‬‬
‫جستجوي جهاني با انتقال اطالعات بين محل هاي موازي‬
‫راه حل مسئله با رشته اي از ‪Meme‬ها که ارزش هاي بهينه را حمل‬
‫مي کنند که مانند ‪ Genetic‬با تابع مناسب ارزش گذاري مي شود‪.‬‬
‫زمينه ي زيستي •‬
‫ساير الگوريتمهاي تکاملي •‬
‫‪ Gene‬در برابر ‪• Meme‬‬
‫‪• SCE‬‬
‫‪• PSO‬‬
‫‪• SFLA‬‬
‫بررس ي يک مسئله •‬
‫کارايي •‬
‫کاربرد •‬
‫الگوريتم هاي مشابه •‬
‫تاريخچه •‬
‫قالب ‪SCE‬‬
‫‪ .1‬ساخت جمعيت اوليه به صورت تصادفي‬
‫‪ .2‬تکرار روند تکامل‪:‬‬
‫‪ .1‬تقسيم جمعيت به دسته هاي زير جمعيت (براساس ‪fitness‬‬
‫آن ها)‬
‫‪ .2‬جستجوي محلي روندي ممتيک هر زير جمعيت ها‬
‫‪ .3‬انتقال اطالعات بين دسته هاي محلي (‪)Memeplex‬‬
‫‪ .4‬ادامه روند تکامل تا رسيدن به شرط خاتمه (جواب بهينه يا‬
‫پايان تعداد تکرار مشخص)‬
‫زمينه ي زيستي •‬
‫ساير الگوريتمهاي تکاملي •‬
‫‪ Gene‬در برابر ‪• Meme‬‬
‫‪• SCE‬‬
‫‪• PSO‬‬
‫‪• SFLA‬‬
‫بررس ي يک مسئله •‬
‫کارايي •‬
‫کاربرد •‬
‫الگوريتم هاي مشابه •‬
‫تاريخچه •‬
‫‪PSO‬‬
‫زمينه ي زيستي •‬
‫ساير الگوريتمهاي تکاملي •‬
‫‪ Gene‬در برابر ‪• Meme‬‬
‫براي هريک از افراد يک موقعيت فيزيکي وسرعت در نظر مي گيرد که‬
‫فرد بر اساس آن ها حرکت مي کند‬
‫حرکت هر فرد با جستجوي محلي بهترين مکان تعيين مي شود‪.‬‬
‫ارتباط فرد با هسايه هايش سبب مي شود که با بهينه شدن مکان آن‬
‫ها‪ ،‬مکان فرد نيز تغيير کند‬
‫نتيجه‪ :‬حرکت اجتماع به سوي بهينه جهاني مي باشد‬
‫‪• SCE‬‬
‫‪• PSO‬‬
‫‪• SFLA‬‬
‫بررس ي يک مسئله •‬
‫کارايي •‬
‫کاربرد •‬
‫الگوريتم هاي مشابه •‬
‫تاريخچه •‬
‫قالب ‪SFLA‬‬
‫زمينه ي زيستي •‬
‫ساير الگوريتمهاي تکاملي •‬
‫‪ Gene‬در برابر ‪• Meme‬‬
‫ترکيب ايده هاي ‪ SCE‬و ‪ PSO‬اين الگوريتم را مي سازد‬
‫‪ :SLFA‬جهش در هم قورباغه بر پايه ممتيک موجودات زنده‬
‫جستجو بر پايه تکامل ‪Meme‬ها و مبادله کردن اطالعات به صورت‬
‫سراسري مي باشد‪.‬‬
‫‪• SCE‬‬
‫‪• PSO‬‬
‫‪• SFLA‬‬
‫بررس ي يک مسئله •‬
‫کارايي •‬
‫کاربرد •‬
‫الگوريتم هاي مشابه •‬
‫تاريخچه •‬
‫جمعيت مجازي از قورباغهها‬
‫زمينه ي زيستي •‬
‫ساير الگوريتمهاي تکاملي •‬
‫‪ Gene‬در برابر ‪• Meme‬‬
‫بر خالف الگوريتم هايي مانند ژنتيک‪ ،‬تاکيد اين الگوريتم بر روي‬
‫جمعيت نيست برروي ‪ Meme‬ها و تکامل آن هاست‬
‫به افراد به عنوان حامل هاي ممتيک نگاه مي شود‪.‬‬
‫‪• SCE‬‬
‫‪• PSO‬‬
‫‪• SFLA‬‬
‫بررس ي يک مسئله •‬
‫کارايي •‬
‫کاربرد •‬
‫الگوريتم هاي مشابه •‬
‫تاريخچه •‬
‫جمعيت مجازي از قورباغهها‬
‫بر خالف الگوريتم هايي مانند ژنتيک‪ ،‬تاکيد اين الگوريتم بر روي‬
‫جمعيت نيست برروي ‪ Meme‬ها و تکامل آن هاست‬
‫به افراد به عنوان حامل هاي ممتيک نگاه مي شود‪.‬‬
‫اين الگوريتم به جاي شمردن افراد از يک مدل انتزاعي به نام‬
‫جمعيت مجازي استفاده مي کند‬
‫زمينه ي زيستي •‬
‫ساير الگوريتمهاي تکاملي •‬
‫‪ Gene‬در برابر ‪• Meme‬‬
‫‪• SCE‬‬
‫‪• PSO‬‬
‫‪• SFLA‬‬
‫بررس ي يک مسئله •‬
‫کارايي •‬
‫کاربرد •‬
‫الگوريتم هاي مشابه •‬
‫روند الگوريتم ‪SFL‬‬
‫‪‬جمعيت اوليه قورباغه ها به صورت تصادفي انتخاب مي شوند‬
‫‪‬جمعيت به صورت نزو لي مرتب و زيردسته هاي موازي به صورت زير‬
‫ساخته مي شوند(زيردسته ها‪ ،‬فرهنگ هاي مختف رادرقورباغه ها مي‬
‫سازند!)‪:‬‬
‫‪‬نفر اول دسته ‪ ،1‬نفر دوم دسته ‪ ،.... ،2‬دسته ‪ m+1 ،m‬در دسته‬
‫اول‪...‬‬
‫‪‬در هر دسته ‪ Xb‬و ‪ Xw‬بهترين و بدترين مم دسته را نگه ميدارند و ‪Xg‬‬
‫بهترين مم جهاني را‪.‬‬
‫تاريخچه •‬
‫زمينه ي زيستي •‬
‫ساير الگوريتمهاي تکاملي •‬
‫‪ Gene‬در برابر ‪• Meme‬‬
‫‪• SCE‬‬
‫‪• PSO‬‬
‫‪• SFLA‬‬
‫بررس ي يک مسئله •‬
‫کارايي •‬
‫کاربرد •‬
‫الگوريتم هاي مشابه •‬
‫روند الگوريتم ‪SFL‬‬
‫تاريخچه •‬
‫زمينه ي زيستي •‬
‫ساير الگوريتمهاي تکاملي •‬
‫‪‬روندي مشابه ‪ PSO‬براي بهبود ‪Xw‬هاي هر گروه (نه همه ي افراد‬
‫گروه) در هر سيکل استفاده مي شود‪( .‬تغيير جهت تحت تاثير جمعيت )‬
‫‪‬اگر روند فوق پاسخ بهتري ساخت؛ جايگزين ‪ Xw‬قبلي مي شود‪.‬‬
‫‪‬و گرنه روند قبلي بر اساس بهينه جهاني انجام مي شود‬
‫‪‬اگر باز هم بهبود حاصل نشد؛ نقطه اي تصادفي جايگزين ‪ Xw‬مي‬
‫شود‪.‬‬
‫‪ Gene‬در برابر ‪• Meme‬‬
‫‪• SCE‬‬
‫‪• PSO‬‬
‫‪• SFLA‬‬
‫بررس ي يک مسئله •‬
‫کارايي •‬
‫کاربرد •‬
‫الگوريتم هاي مشابه •‬
‫روند الگوريتم ‪SFL‬‬
‫تاريخچه •‬
‫زمينه ي زيستي •‬
‫ساير الگوريتمهاي تکاملي •‬
‫‪‬روند بال بعداز تعداد مشخص ي تکرار تکامل ممتيک‪ ،‬درهم ميشوند و‬
‫‪ Gene‬در برابر ‪• Meme‬‬
‫گروههاي جديد شکل ميگيرد‪.‬‬
‫‪• SCE‬‬
‫‪‬درهم کردن باعث ميشود کيفيت ممها بعد از اينکه قورباغهها در نواحي‬
‫‪• PSO‬‬
‫مختلف ايدههايشان را به يکديگر انتقال دادند‪ ,‬بال برود‪.‬‬
‫‪• SFLA‬‬
‫بررس ي يک مسئله •‬
‫کارايي •‬
‫کاربرد •‬
‫الگوريتم هاي مشابه •‬
‫روند الگوريتم ‪SFL‬‬
‫تاريخچه •‬
‫زمينه ي زيستي •‬
‫ساير الگوريتمهاي تکاملي •‬
‫‪ Gene‬در برابر ‪• Meme‬‬
‫‪• SCE‬‬
‫‪• PSO‬‬
‫‪• SFLA‬‬
‫بررس ي يک مسئله •‬
‫کارايي •‬
‫کاربرد •‬
‫الگوريتم هاي مشابه •‬
‫تاريخچه •‬
‫پارامترهاي بهينه سازي ‪SFLA‬‬
‫زمينه ي زيستي •‬
‫ساير الگوريتمهاي تکاملي •‬
‫‪ Gene‬در برابر ‪• Meme‬‬
‫مانند ساير الگوريتم هاي تکاملي پارامترها نقش مهمي در بازدهي نهايي‬
‫دارند‪:‬‬
‫‪‬تعداد قورباغه ها‬
‫‪‬تعداد دسته هاي زير جمعيت (‪)Memeplex‬‬
‫‪‬تعداد نسل هاي هر زير جمعيت قبل از جابه جايي (‪)Shuffling‬‬
‫‪‬تعداد دورهاي جابه جايي‬
‫‪‬بيش ترين اندازه گام‬
‫‪• SCE‬‬
‫‪• PSO‬‬
‫‪• SFLA‬‬
‫بررس ي يک مسئله •‬
‫کارايي •‬
‫کاربرد •‬
‫الگوريتم هاي مشابه •‬
‫تاريخچه •‬
‫زمينه ي زيستي •‬
‫چگونگي تغيير ‪Xw‬‬
‫ساير الگوريتمهاي تکاملي •‬
‫‪6‬‬
‫‪1‬‬
‫‪5‬‬
‫‪3‬‬
‫‪1‬‬
‫‪Xb‬‬
‫‪7‬‬
‫‪1‬‬
‫‪2‬‬
‫‪6‬‬
‫‪4‬‬
‫‪Xw‬‬
‫‪6‬‬
‫‪1‬‬
‫‪3‬‬
‫‪5‬‬
‫‪3‬‬
‫‪Xnew‬‬
‫‪ Gene‬در برابر ‪• Meme‬‬
‫‪• SCE‬‬
‫‪• PSO‬‬
‫‪• SFLA‬‬
‫بررس ي يک مسئله •‬
‫کارايي •‬
‫کاربرد •‬
‫الگوريتم هاي مشابه •‬
‫تاريخچه •‬
‫انواع جستجوهاي ‪SFLA‬‬
‫زمينه ي زيستي •‬
‫ساير الگوريتمهاي تکاملي •‬
‫‪ Gene‬در برابر ‪• Meme‬‬
‫‪• SCE‬‬
‫‪• PSO‬‬
‫‪‬جستجوي محلي‬
‫‪‬جستجوي جهاني (جهش قورباغه ها)‬
‫‪• SFLA‬‬
‫بررس ي يک مسئله •‬
‫کارايي •‬
‫کاربرد •‬
‫الگوريتم هاي مشابه •‬
‫الگوريتم‬
‫جستجوي‬
‫سراسري‬
‫تاريخچه •‬
‫زمينه ي زيستي •‬
‫ساير الگوريتمهاي تکاملي •‬
‫‪ Gene‬در برابر ‪• Meme‬‬
‫‪• SCE‬‬
‫‪• PSO‬‬
‫‪• SFLA‬‬
‫بررس ي يک مسئله •‬
‫کارايي •‬
‫کاربرد •‬
‫الگوريتم هاي مشابه •‬
‫الگوريتم‬
‫جستجوي‬
‫محلي‬
‫يخچه••‬
‫تاتارريخچه‬
‫يستي••‬
‫مينهييززيستي‬
‫ززمينه‬
‫تکاملي••‬
‫سايرالگور‬
‫يتمهايتکاملي‬
‫الگوريتمهاي‬
‫ساير‬
‫‪••Meme‬‬
‫برابر‪Meme‬‬
‫‪Gene‬دردربرابر‬
‫‪Gene‬‬
‫‪••SCE‬‬
‫‪SCE‬‬
‫‪••PSO‬‬
‫‪PSO‬‬
‫‪••SFLA‬‬
‫‪SFLA‬‬
‫مسئله••‬
‫برر‬
‫يکمسئله‬
‫بررسسيييک‬
‫ايي••‬
‫کاکاررايي‬
‫برد••‬
‫کاکارربرد‬
‫مشابه••‬
‫الگور‬
‫هايمشابه‬
‫يتمهاي‬
‫الگوريتم‬
‫پارامترهاي بهينه سازي ‪SFLA‬‬
‫(پارامترهايي که «بستگي به مسئله داره»!!)‬
‫تاريخچه •‬
‫زمينه ي زيستي •‬
‫ساير الگوريتمهاي تکاملي •‬
‫‪ Gene‬در برابر ‪• Meme‬‬
‫مانند ساير الگوريتم هاي تکاملي پارامترها نقش مهمي در بازدهي نهايي دارند‪:‬‬
‫‪‬تعداد قورباغه هاي هر زيردسته‪n:‬‬
‫‪‬تعداد دسته هاي زير جمعيت (‪m:)Memeplex‬‬
‫‪‬تعداد نسل هاي هر زير جمعيت قبل از جابه جايي (‪q:)Shuffling‬‬
‫‪‬تعداد دورهاي جابه جايي‪N:‬‬
‫‪‬بيش ترين اندازه گام ‪Smax:‬‬
‫مهم ترين عامل ‪ m*n‬است که به پيچيدگي مسئله بستگي دارد‪.‬‬
‫‪• SCE‬‬
‫‪• PSO‬‬
‫‪• SFLA‬‬
‫بررس ي يک مسئله •‬
‫کارايي •‬
‫کاربرد •‬
‫الگوريتم هاي مشابه •‬
‫پارامترهاي بهينه سازي ‪SFLA‬‬
‫(پارامترهايي که «بستگي به مسئله داره»!!)‬
‫تاريخچه •‬
‫زمينه ي زيستي •‬
‫ساير الگوريتمهاي تکاملي •‬
‫‪ Gene‬در برابر ‪• Meme‬‬
‫‪‬هرچه ‪ F‬بيشتر ‪ :‬بازدهي بهتر‪ ،‬بار محاسباتي بالتر‬
‫‪‬کاهش تعداد ‪ :n‬کاهش تاثير استراتژي تکاملي‬
‫‪ q‬بالتر‪ :‬زمان همگرايي رابطه غير مستقيم دارد‪.‬‬
‫‪ N‬کمتر‪ :‬جابجايي کمتر اطالعات محلي و افزايش تاثير جستجوي محلي‬
‫‪‬اندازه گام کوچک‪ :‬توانايي کمتر جستجوي سراسري‪،‬‬
‫‪‬اندازه گام بلند‪ :‬احتمال واگرا شدن مسئله‬
‫‪• SCE‬‬
‫‪• PSO‬‬
‫‪• SFLA‬‬
‫بررس ي يک مسئله •‬
‫کارايي •‬
‫کاربرد •‬
‫الگوريتم هاي مشابه •‬
‫تاريخچه •‬
‫محدوديت و بهبود ‪SFLA‬‬
‫‪‬وقتي درحال بهبود بدترين حالت هستيم؛ محل جديد اين حالت محدود‬
‫مي شود به‪:‬‬
‫زمينه ي زيستي •‬
‫ساير الگوريتمهاي تکاملي •‬
‫‪ Gene‬در برابر ‪• Meme‬‬
‫‪• SCE‬‬
‫‪• PSO‬‬
‫‪• SFLA‬‬
‫بررس ي يک مسئله •‬
‫‪‬و در ابعاد ديگر قادر به حرکت نيست؛ که سبب همگرايي به نقاط‬
‫احتمال اشتباه مي شود (به دليل محدوديت ديد)براي بهبود محدوديت بعد‬
‫را برميداريم‪.‬‬
‫کارايي •‬
‫کاربرد •‬
‫الگوريتم هاي مشابه •‬
‫تاريخچه •‬
‫محدوديت و بهبود ‪SFLA‬‬
‫زمينه ي زيستي •‬
‫ساير الگوريتمهاي تکاملي •‬
‫‪ Gene‬در برابر ‪• Meme‬‬
‫‪• SCE‬‬
‫‪• PSO‬‬
‫‪• SFLA‬‬
‫‪ Rand‬تصادفي بين ‪0‬و‪1‬‬
‫‪ C‬يک عدد ثابت بين ‪1‬و‪2‬‬
‫‪ ri‬اعداد تصادفي بين ‪1-‬و‪1‬‬
‫‪ Wi,max‬ماکزيمم محدوده ديد قورباغه در بعد ‪i‬ام مي بيند‪.‬‬
‫‪ Dmax‬بيشترين جابجايي ممکن براي قورباغه‬
‫بررس ي يک مسئله •‬
‫کارايي •‬
‫کاربرد •‬
‫الگوريتم هاي مشابه •‬
‫تاريخچه •‬
‫مسئله ‪TSP‬‬
‫‪( TSP‬نمونه دسته مسائل ‪ )NP‬محکي براي الگوريتم هاي تکاملي‬
‫‪‬بردار مکان هر قورباغه‪:‬يک راه حل براي ‪TSP‬‬
‫‪i‬امين قورباغه به صورت زير مي باشد‪:‬‬
‫برچسب هاي ‪ N‬شهر مي باشد‪.‬‬
‫‪‬پارامترهاي‬
‫‪‬تابع ارزيابي )‪ f(i‬اندازه تور‬
‫‪‬طبق رابطه زير قوباغه هاي با بيشترين مقدار برازندگي احتمال بيشتري‬
‫براي انتخاب در زير گروه را دارند‪:‬‬
‫زمينه ي زيستي •‬
‫ساير الگوريتمهاي تکاملي •‬
‫‪ Gene‬در برابر ‪• Meme‬‬
‫‪• SCE‬‬
‫‪• PSO‬‬
‫‪• SFLA‬‬
‫بررس ي يک مسئله •‬
‫کارايي •‬
‫کاربرد •‬
‫الگوريتم هاي مشابه •‬
‫تاريخچه •‬
‫مسئله ‪TSP‬‬
‫زمينه ي زيستي •‬
‫‪‬براي تغيير )‪ U(q‬بدترين عضو گروه‪ ،‬منطقه اي تصادفي از ‪ XB‬را در‬
‫‪ Xw‬قرار مي دهيم؛ در صورتيکه اعداد ديگر دراين قسمت به وجود آمدند؛‬
‫براي آنها عدد تصادفي از ميان اعداد باقيمانده بدست مي آوريم‪:‬‬
‫‪6‬‬
‫‪4‬‬
‫‪7‬‬
‫‪8‬‬
‫‪5‬‬
‫‪1‬‬
‫‪2‬‬
‫‪Xb 3‬‬
‫‪7‬‬
‫‪8‬‬
‫‪4‬‬
‫‪6‬‬
‫‪2‬‬
‫‪5‬‬
‫‪3‬‬
‫‪Xw 1‬‬
‫‪8‬‬
‫‪5‬‬
‫‪1‬‬
‫‪Xnew 2 3‬‬
‫ساير الگوريتمهاي تکاملي •‬
‫‪ Gene‬در برابر ‪• Meme‬‬
‫‪• SCE‬‬
‫‪• PSO‬‬
‫‪• SFLA‬‬
‫بررس ي يک مسئله •‬
‫کارايي •‬
‫کاربرد •‬
‫‪6‬‬
‫‪4‬‬
‫‪7‬‬
‫الگوريتم هاي مشابه •‬
‫مقايسه ‪ SFLA‬با ساير الگوريتم ها‬
‫(تابع ‪)Griewank‬‬
‫تاريخچه •‬
‫زمينه ي زيستي •‬
‫ساير الگوريتمهاي تکاملي •‬
‫‪ Gene‬در برابر ‪• Meme‬‬
‫‪• SCE‬‬
‫‪• PSO‬‬
‫‪• SFLA‬‬
‫بررس ي يک مسئله •‬
‫کارايي •‬
‫کاربرد •‬
‫الگوريتم هاي مشابه •‬
‫تاريخچه •‬
‫کاربرد‬
‫‪‬پيچيدگي مسائل ‪ NP‬و محدوديت زماني‬
‫زمينه ي زيستي •‬
‫ساير الگوريتمهاي تکاملي •‬
‫‪ Gene‬در برابر ‪• Meme‬‬
‫‪‬مسائل بهينه سازي گسسته (‪ PSO‬براي مسائل پيوسته مورد استفاده‬
‫‪• SCE‬‬
‫قرار ميگيرد)‬
‫‪• PSO‬‬
‫‪‬کاربردهاي شبکه اي‪ :‬هدايت بسته ها‪ ،‬انتخاب بهترين محل براي ‪Hub‬‬
‫‪‬برنامه هاي مديريت پروژه(!!!)‬
‫‪• SFLA‬‬
‫بررس ي يک مسئله •‬
‫کارايي •‬
‫کاربرد •‬
‫الگوريتم هاي مشابه •‬
‫تاريخچه •‬
‫الگوريتم هاي مشابه‬
‫‪‬عالوه بر ممنتيک و ‪ PSO‬که اين الگوريتم رابطه تنگاتنگي با آنها دارد؛ دو‬
‫زمينه ي زيستي •‬
‫ساير الگوريتمهاي تکاملي •‬
‫‪ Gene‬در برابر ‪• Meme‬‬
‫الگوريتم زير بسيار مشابه اين الگوريتم مي باشند‪:‬‬
‫‪• SCE‬‬
‫‪Jumping Frog Optimization‬‬
‫‪• PSO‬‬
‫‪Discrete PSO‬‬
‫‪‬و همه ي اين الگوريتم ها در بهينه سازي هاي گسسته بيشتر کارايي دارند‪.‬‬
‫‪‬تفاوت؟!‬
‫‪• SFLA‬‬
‫بررس ي يک مسئله •‬
‫کارايي •‬
‫کاربرد •‬
‫الگوريتم هاي مشابه •‬
‫سوال؟!‬
:‫منابع‬
Emad Elbeltagia, Tarek Hegazy, Donald Grierson (2004). Comparison among five
evolutionary-based optimization algorithms
Emad Elbeltaqia, Tarek Hegazy and Donald Grieson (2005), A modified shuffled frogleaping optimization algorithm: applications to project management
Eusuff, M., K. Lansey, et al. (2006). "Shuffled frog-leaping algorithm: a memetic metaheuristic for discrete optimization." Engineering Optimization
Xue-hui, L., Y. Ye, et al. (2008). Solving TSP with Shuffled Frog-Leaping Algorithm.
:!!!!!‫و دو تا اساليد ديگر‬
Shuffled Frog Learning
Shuffled Complex Evolution
‫ممنون از توجه تان ‪‬‬