الگوريتم پرش قورباغه ها Shuffled Frog Leaping Algorithm مريم توکلی زيرنظر دکتر ميرزائی تاريخچه • تاريخچه در سال 1993 پيدايش ايده الگوريتم ( ترکيب اطالعات محلي.
Download
Report
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
qبالتر :زمان همگرايي رابطه غير مستقيم دارد.
Nکمتر :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
Randتصادفي بين 0و1
Cيک عدد ثابت بين 1و2
riاعداد تصادفي بين 1-و1
Wi,maxماکزيمم محدوده ديد قورباغه در بعد iام مي بيند.
Dmaxبيشترين جابجايي ممکن براي قورباغه
بررس ي يک مسئله •
کارايي •
کاربرد •
الگوريتم هاي مشابه •
تاريخچه •
مسئله TSP
( TSPنمونه دسته مسائل )NPمحکي براي الگوريتم هاي تکاملي
بردار مکان هر قورباغه:يک راه حل براي TSP
iامين 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