الگوریتم کلونی زنبور عسل مصنوعی

صفحه 1:


صفحه 2:
1- الگوربتم گلونی زنبورعسل مصنوعی 2- محرفی چدد الگوریتم بهینه شده گلولی زنبورعسل در محیط پیوسته 3- الگورینم گلونی زنبورعسل مصلوعی موازی 4- الگوریتم کلونی زنبورعسل مصنوعی برای مسائل بهینه سازی 

صفحه 3:
Reference: Dervis Karaboga, An Idea Based On Honey Bee Sw Numerical Optimization, Technical ۰ ۰ ‏و‎ ‎Report-TRO6,Erciyes versity ‏سل صوی‎ sie, Engineering Faculty, Computer 474 2 ۱ Engineering Department 2005 

صفحه 4:
۱ teal nS eee ترک منبع غذایی متروک شده ‎SIE Gate spre‏ دا - تقسيم كار - مشخص كردن جهتء فاصله. كيفيت و كميت منبع يافت "3 

صفحه 5:
۱. Elsi = Employed bees ‏زنبورهای کارگر‎ » « زنبورهای غیر کارگر و9 ۱۱2۵۵۱0۷۵۵ « »«زنبورهای ناظر عموم 00۱۵۵۲۵۲ 8 i Scout bees ‏زنبورهای پیشاهنگ‎ » 

صفحه 6:
- الگوریتم ارائه شده توسط ‎Karaboga‏ در سال 2005 مبتنى بر رفتار كاوشى زنبور عسل در يافتن منابع سب براى حل مسائل بهينه سازى حند حالته و جند 

صفحه 7:
eee فرآیند های انتخاب در الگوریتم کلونی زنبور عسل مصنوعی * فرآیند انتخاب سراسری * فرآیند انتخاب محلی توسط زنبور های کارگر * فرآیند انتخاب محلی توسط زنبورهای ناظر * قرآيند انتخاب تصادفی توسط زنبورپیشاهنگ 

صفحه 8:
1, Initialize food sources (xjs) by Eq. (1); xy = xp" + rand(O, 1) (xg — xm") (1) where i= 1,...,SN (SN is the number of food sources); j = 1,...,D (D is the number of parameters); xm is the minimum and x" is the maximum values of parameter j, 2. Move employed bees to the food sources and determine neighbourhood food sources by Eq, (2): 0 (وو- ورف + ود - ‎Vy‏ where j and k are randomly chosen parameters and neighbourhoods, respectively and dy is a random number within [—1,1]. 3, Determine the new target food source as V; and remove X; from the memory, if the nectar amount (fitness value) of V; is better than X;. 4, Move onlooker bees probabilistically to the food sources depending on the roulette wheel using Eqs. (3) and (4) and determine new neighbourhoods as in Steps 2 and 3; p, — Sitness 1 fitness, @) fitness; = a ee (4) 1+ abs(fit,), fit, <0 where fit; is the cost value (value of objective function) of the food source X; and fitness; the nectar amount (fitness value) of the food source X;. 5, Randomly initialize food source by a scout bee using Eq, (1), if a better food source cannot be found in the neighbourhood of present one after a number of trials, called as “limit”. 6. Repeat steps (2)-(5) until Cycle = MCN. i SS eT ae 

صفحه 9:
1 تصافی از طریق معادله 1. مقدار دهی اولیه می شوند. xy = ۸0" + ۵0۰ 1) =o) (1) 

صفحه 10:
دسته اول * زنبور های کار گر & ها 2 » 2 زنبورهای کارگر به سمت منابع غذایی حرکت می کنند. منابع غذایی همان موقعیت زنبورها در فضای مسأله است. 

صفحه 11:
| هر زنبور كاركرء .به طور تصادفی یک همسایه انتخاب می کند واز-طریق رسعادله :19 بهسسنت آن ‎aS ga Spo‏ 2 wa 

صفحه 12:
اكر موقعيت جديد (منطقه غذايى جديد) كية 5 بيشترى) داشت نبور در منطقه جديد باقى ميمائد در غير تور نم مطاقهقلی خودار گرد وی وزج ۳ شاخص محاکمه این زنبور اضافه ميشود. 

صفحه 13:
شاخص مخاکبه این شاخص شمارنده تعداد دفعات متوالی حرکت زنبور با عدم بهبود است. اگر زنبوری مقدار شاخص محاکمش از حد معین شده بیشتر بشود به این معنی است که آن منطقه غذایی دیگر شهدی ندارد وان منطقه را بايد ترك کرد. 

صفحه 14:
#[الگوریتم کلونی زنبورعسل زنبورهای ناظر © € «© 

صفحه 15:
حرکت زنبورهای ناظر به منابع غذلیی با احتمال محاسبه شده از طریق چرخ رولت با استفاده از معادلات زیر و تعیین محله های جدید: ‎p, — Zines‏ فا ‎Te! fit; > 0‏ ‎T+abs(fit,), fits< 0‏ fimess, = { 

صفحه 16:
دسته سوم 8 زنبورهای پیشاهنگ ‎we &‏ عد عاد عد ‎ ‎ ‎ ‎ ‎ ‏زنبورهاى بيشاهنك لن ناحيه هايى كه از نظر شهد نامطلوب شناسایی شدند. ترك ويه تصادف ناحيه هاى ديكرى را انتخاب ‏مى كنند. درصورتى كه يك منبع غذايى بهتر يس از رسيدن شاخص محاکمه به حد تعیین شده یافت نشود. منبع غذايى جدیدی توسط زنبورهای پیشاهنگ به صورت تصادفی با استفاده از معادله زیر مقداردهی می ‎DOT‏ ‎™ + rand(0, 1) (xe ") ‎ ‎ ‎ ‎ 

صفحه 17:
The pseudo code of the ABC algorithm begin Initialize food sources by Eq.1; Find the globat best (ghest) food source; for cycle — 1 to MCN do foreach employed hee i do Choose a food source xx in the neighbourhood of xs Select a jth dimension above all dimensions; Generate a food source v; in the neighborhood of x; and x, by ‏هو‎ ‎Apply ‏ولمم‎ selection between sr, and ‏جيه‎ ‎end ‎foreach onlooker bee i do Select a food source xj depending on probability p; using ‏:3و7‎ ‎Choose a food source rx in the neighbourhood of 2; Generate a food source v; in the neighborhood of x; and xy by Eq.2; Apply greedy selection between ry and vy; end if there exits an abondoned food source then | Scout bee determines a new food source by Ey.1; end Update gbest food source; end end 

صفحه 18:
Reference: Best-so-far 1- G. Zhu, S. Kwong, Gbest- guided artificial bee colony algorithm for numerical function optimization, Applied Mathematics & Compution. 217 (2010) 3166-3173. 2- A. Banharnsakun, — T. Achalakul, B. Sirinaovakul, The best-so-far selection in | Artificial Bee Colony algorithm, Applied Soft Computing. 11 (2011) 2888- 2901. 3- D. Karaboga, B. Gorkemli, A quick artificial bee colony (qABC) algorithm and _ its performance on optimization problems, Applied Soft 

صفحه 19:
— سا | در فاز اول و دوم الگوریتم. از معادله زیر به جای معادله 2 در | ۷ الکوریتم کلونی زنبور عسل مصنوعی استفاده می کند. _] Vij = Xij + ij (Xj — Xai) + WyVj — %ij) با توجه به الگوریتم ازدحام ذرات. بهترین موقعیت | بدست آمده توسط گروه , ‎Wi‏ محاسبه می گردد. . ‎a uniform random number in [0,C], where C is a nonnegative constant,‏ کر ‎ ‎ ‎ ‎ ‎ ‎ ‎ 

صفحه 20:
#9 للا وان 11 اد قاز آول از همان معادله 2 و در فاز دوم آلگوربتم از معادله زیر به جای معادله 2 در الگوریتم کلهنی زنبور عسل مصنوعی استفاده می کند. EOE ECOL orp ee ere omen nore —— ae Via = Xij + Pf (Xi — X1j) ‎fitness value of the best food source so fay‏ ۲۳ - رز ‎Xpj = The best-so-far food source in selected dimension j.j‏ ‎ ‎ ‎ ‎ 

صفحه 21:
۱ The objective-value-based comparison method 1 (nding Minimum) WUpew(2) < fi) Replace he old solution with the new solution Hise ‘Keep the old solution Else f (Finding Maximum) Grow 2) > fia) Replace the old solution with the new solution Else Koop the old solution ‘The old method for comparing the solutions (Fines Upoy(2)) > Fitness(fa(2))) Replace theold solution with the new solution Else Keep the old solution 

صفحه 22:
Lite 1 ‘ Fitness(f(x)) = ¢ 1+F(x) ۷00 1+(f(x)| iff(x) <0 we can see that when f{x) is larger than the zero but has a very small value, e.g. 1E—20, the fitness value of equa- tion 1/(1+1E~20) is rounded up to be 1 (1E~20 is ignored). This will lead the fitness of all solutions to become equal to 1 in the later iterations. In other words, there is no difference between the fit- ness values that is equal to 1/(1 + 1E—20) and 1/(1 + 1E—120). Thus, anew solution that gives a better fitness value than the old solution will be ignored and the solution will stagnate at the old solution. 

صفحه 23:
او ا وا انا | در فاز سوم از رابطه زیر استفاده حی کند و در صورتی 7 جایگرین 7 می گردد که از نظر تلبع هدف بهتر باشد. اگر نباشد مقدار max ‘where vj is a new feasible solution of a scout bee that is modified | from the current position of an abandoned food source (xj) and ‏زر‎ ‎is a random number between [-1,1], The value of @max and Gin represent the maximum and minimum percentage of the position adjustment for the scout bee. The value of wmax and @min are fixed to 1 and 02, respectively. These parameters were chosen by the experimenter. With these selected values, the adjustment of scout bee's position based on its current position will linearly decrease from 100 percent to 20 percent in each experiment round. 

صفحه 24:
ات ] for each onlooker bee; ® Select a solution xm depending on pm values = Find the best solution ast among the neighbours of the Xm and itself. These neighbours afe determined by In order to determine a neighbour of xm, a more general and flexible definition can be used is given below: if d(m.j)<rx mdm then x; is a neighbor of Xm, else not ™ Generate a new candidate solution Us from xbest Ui = AR + ‏(عدد- هس‎ and evaluate it. = Apply a greedy selection between x=" and us, Memorize the best solution found so far. استفاده از یک شعاع همسایگی برای بدست آوردن همسایه 5 : میانگین فاصله زنبورها تا زنبور 1۳0 

صفحه 25:
Artificial Bee Colon ial Be gorithm, World Cong Nature & Biologically Inspired Computing, NaBIC, 2009 

صفحه 26:
"| الكو كلونى زنبورعسل موازى هدف دراين الكوريتم: "بياده سازى الكوريتم كلونى زنبورعسل مصنوعى به صورت موازى “عدم تاثير كذارى بر روى جواب نهايى الكوريتم "افزایش سرعت پاسخ گویی "توزیع زنبورها روی پردازنده های مختلف و بهبود راه حل های پیشنهادی به صورت مستقل < جستجوی همسایگی oe “7 

صفحه 27:
۳ ۰ استفاده از حافظه ی اشتراکی - تفسیم زنبور ها(راه حل ها) بین پردازنده های موجود ۰ وجود تعدادی راه حل در حافظه ی محلی هر پردازنده ۰ وجود یک کپی از راه حل در حافظه ی اشتراکی * بهبود راه حل های موجود در حافظه ی محلی در هر اجرای حلقه » جایگزینی جواب حاصل با جواب موجود در حافظه ی اشتراکی در انتهای حلقه - تعداد پردازنده ها < و - تعداد راه حل های مربوط به هر پردازندهت ملک )5( 

صفحه 28:
|" بهبود راه حل موجود در حافظه محلی با انتخاب تصادفی یک ‎ol,‏ حل از حافظه ی اشتراکی در جستجوی همسایگی ‎DJ (6)‏ — در ‎where k € {1, 2, 3, ..., SN} and & #i, g is a random number in the range [-1,1] and 7 € {1, 2,3, ..., D}. ‎ ‎ ‎ ‏* انتخاب یک راه حل توسط زنبورهای ناظر از حافظه محلی پراساس رابطه احتمالى زير: )7( كي - بم ‎i a, = nat fitn ‎ 

صفحه 29:
The pseudo code of the Parallel ABC algorithm them. Place them in the shared memory S. Divide the solutions equally among p processors by copying SN, solutions to the local memory of each processor. Steps 4 to 10 are carricd out in parallel at cach processor P,. For each solution x7 in the local memory M, of processor P,, determine a neighbor vf using (6) and performa greedy selection between x? and v7. Calculate the probabilities for the solutions in M, using 7) Use the roulette wheel selection method to place the onlookers on the food sources in M, and improve the corresponding solutions (as in step 4). Determine the abandoned solution (if any) in M, and replace it with a new randomly produced solution. Record the best local solution obtained till now at P,. Copy the solutions in M, to the corresponding slots in S. . Repeat steps 4 to 9 until MCN cycles are completed. . Determine the global best solution among the best local solutions recorded at each processor. 

صفحه 30:
حل مسائل ناپیوسته و دودوبی توسط الگوریتم Fe ee cee TC ool Referenc "Mustafa Servet Kiran, The continuous artificial bee colony algorithm for binary optimization, Applied Soft Computing 33 (2015) 15-23. "D. Jia, X. Duan, M.K. Khan, Binary Artificial Bee Colony optimization using bitwise operation, Computer and Industrial Engineering. 76 (2014) 360-365. 

صفحه 31:
The continuous artificial bee colony algorithm for binary optimiza 1 0 ] سس )2( (0 < و۲ ان ‎abs(fj) otherwise‏ +1 Vig ‏و وش 1] 36 ( زع - و0086 + رز‎ N}, je{1,2,...,Djandizk round(|y; mod 2|)mod 2 

صفحه 32:
2 = round(| — 3.724 000202 = round(| — 1.724|)mod2 = round(|1.724)) mod 2 =2mod2 =0 ‘Tablet Conversion of continaous values to binary valves. Food source positon on the continuous soliton space 5.624 Fed seutce pasitionon the binary luton space’ 0 

صفحه 33:
1. Initialization a. Set N as the number of food source s b. Set trial for each food source. c. Set the limit control para mete r value d. Set the termination condition e. Set D as dimensionality of the problem. f. Create food source s (N x D) using Eq. 1 g. Convert continuous solutions to binary solutions using Eq. 6 h. Evaluate the fitness of the solutions by using objective function specific for the problem and Eq. 2 i. Memorize the best solution 

صفحه 34:
2. Employed Bee Phase a. For each employed bee i. Select a neighbor solution randomly. ii. Produce a candidate food source by using Eq. 3 iii. Convert to continuous solution to binary solution using Eq. + iv. Evaluate the fitness of the solution by using objective function specific for the problem and Eq. 2 v. If fitness of the new solution is better than old one, memorize the new solution and reset trial of this food source; otherwise increase trial by 1 

صفحه 35:
a. Calculate designation probability of each food 3. Onlooker Bee Phase source by using Eq. 4 b. For each onlooker bee ۱ i. Select a food source by using designation probability. ii. Select a food source randomly. iii. Produce a candidate food source by using Eq. 3 iv. Convert to continuous solution to binary solution using Eq. 6 v. Evaluate the fitness of the solution by using objective function specific for the problem and Eq. 2 vi. If fitness of the new solution is better than old one, memorize the new solution and reset trial of this food 

صفحه 36:
4. Scout Bee Phase a. Fix the trial with maximum content b. If this content is higher than limit, i. Remove this solution from the population ii. Create a new solution by using Eq. 1 iii. Convert continuous solution to binary solution using Eq. 6 iv. Evaluate the fitness of the solution by using objective function specific for the problem and Eq. 2 v. Reset trial of new solution. 

صفحه 37:
| 5. Termination a. If the best solution of the population is better previous best solution, memorize the new best solution b. If the termination condition is met, report the best solution; otherwise go to Employed Bee Phase 

صفحه 38:
Binary Artificial Bee Colony optimization using bitwise operation ابتدا منابع غذایی. یا پاسخ های اولیه مسأله به صورت تصادفی از طريق معادله زير. مقدار دهى اوليه با صفر و يك مى شوند. if rands0.5 then xj =0) else xj =1 

صفحه 39:
Binary Artificial Bee Colony optimization using Step1. Initialization * Step1.1. Set the population size N, trial number ‘limit, control parameter r, the maximum generation gmax, and the stopping criteria; * Step1.2. Initialize all employed bees randomly in the search space; * Step1.3. Evaluate f(X). Step2. Iteration * Step2.1. Apply employed bees phase using bitwise operation; Step2.2. Apply onlooker bees phase using bitwise operation; Step2.3. Apply scout bees phase; Step2.4. If the stopping criteria are satisfied, output the best solution. Otherwise, go back to the step2.1. 

صفحه 40:
((ربان)تگر۵) ۸ زا > و where stands for a ‘xor’ operator, ‘&’ stands for a ‘and’ operator, | and ‘' represents a ‘or’ operator in a binary bitwise operation. 1 1,rand(0,1) <r 0,rand(0.1) > r