الگوریتم کلونی زنبور عسل مصنوعی

الگوریتم کلونی زنبور عسل مصنوعی

اسلاید 1: 1- الگوریتم کلونی زنبورعسل مصنوعی2- معرفی چند الگوریتم بهینه شده کلونی زنبورعسل در محیط پیوسته3- الگوریتم کلونی زنبورعسل مصنوعی موازی4- الگوریتم کلونی زنبورعسل مصنوعی برای مسائل بهینه سازی دودوییفهرست مطالب

اسلاید 2: Artificial Bee Colony Algorithmالگوریتم کلونی زنبورعسل مصنوعیReference:Dervis Karaboga, An Idea Based On Honey Bee Swarm for Numerical Optimization, Technical Report-TR06,Erciyes University, Engineering Faculty, Computer Engineering Department 2005.

اسلاید 3: وجود ویژگی های هوش جمعی در زنبورها -خودسازمانده- دنبال کردن منابع غذایی بهتر توسط زنبور های بیشترترک منبع غذایی متروک شدهجستجوی منبع غذای بهتر- تقسیم کار- مشخص کردن جهت، فاصله، کیفیت و کمیت منبع یافت شدهالگوریتم کلونی زنبورعسل مصنوعی

اسلاید 4: الگوریتم کلونی زنبورعسل مصنوعی

اسلاید 5: الگوریتم ارائه شده توسط Karaboga در سال 2005مبتنی بر رفتار کاوشی زنبور عسل در یافتن منابع غذاییمناسب برای حل مسائل بهینه سازی چند حالته و چند بعدیالگوریتم کلونی زنبورعسل مصنوعی

اسلاید 6: فرآیند های انتخاب در الگوریتم کلونی زنبور عسل مصنوعیفرآیند انتخاب سراسریفرآیند انتخاب محلی توسط زنبور های کارگرفرآیند انتخاب محلی توسط زنبورهای ناظرفرآیند انتخاب تصادفی توسط زنبور پیشاهنگالگوریتم کلونی زنبورعسل مصنوعی

اسلاید 7:

اسلاید 8: الگوریتم کلونی زنبورعسل مصنوعیمقداردهی اولیه به منابع غذاییابتدا منابع غذایی، یا پاسخ هایی اولیه مسأله به صورت تصافی از طریق معادله 1، مقدار دهی اولیه می شوند.(1)

اسلاید 9: الگوریتم کلونی زنبورعسل مصنوعیزنبورهای کارگر به سمت منابع غذایی حرکت می کنند. منابع غذایی همان موقعیت زنبورها در فضای مسأله است.

اسلاید 10: الگوریتم کلونی زنبورعسل مصنوعیهر زنبور کارگر، به طور تصادفی یک همسایه انتخاب می کند و از طریق معادله 2، به سمت آن حرکت می کند.(2)

اسلاید 11: الگوریتم کلونی زنبورعسل مصنوعی

اسلاید 12: الگوریتم کلونی زنبورعسل مصنوعی

اسلاید 13: الگوریتم کلونی زنبورعسل مصنوعی

اسلاید 14: حرکت زنبورهای ناظر به منابع غذایی با احتمال محاسبه شده از طریق چرخ رولت با استفاده از معادلات زیر و تعیین محله های جدید:حرکت زنبورهای ناظر الگوریتم کلونی زنبورعسل مصنوعی(3)(4)

اسلاید 15: زنبورهای پیشاهنگ آن ناحیه هایی که از نظر شهد نامطلوب شناسایی شدند، ترک و به تصادف ناحیه های دیگری را انتخاب می کنند. درصورتی که یک منبع غذایی بهتر پس از رسیدن شاخص محاکمه به حد تعیین شده یافت نشود، منبع غذایی جدیدی توسط زنبورهای پیشاهنگ به صورت تصادفی با استفاده از معادله زیر مقداردهی می گردد: الگوریتم کلونی زنبورعسل مصنوعی

اسلاید 16: The pseudo code of the ABC algorithmالگوریتم کلونی زنبورعسل مصنوعی

اسلاید 17: GABC, Best-so-far ABC, qABCچند الگوریتم بهینه شده کلونی زنبورعسل مصنوعیReference: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 Computing. 23 (2014) 227–238.

اسلاید 18: الگوریتم Gbest- guided ABC در فاز اول و دوم الگوریتم، از معادله زیر به جای معادله 2 در الگوریتم کلونی زنبور عسل مصنوعی استفاده می کند.با توجه به الگوریتم ازدحام ذرات، بهترین موقعیت بدست آمده توسط گروه ، yj، محاسبه می گردد.

اسلاید 19: الگوریتم Best-so-far ABC در فاز اول از همان معادله 2 و در فاز دوم الگوریتم از معادله زیر به جای معادله 2 در الگوریتم کلونی زنبور عسل مصنوعی استفاده می کند. بهترین موقعیت بدست آمده توسط زنبورها در پایان فاز اول، محاسبه می گردد.

اسلاید 20: الگوریتم Best-so-far ABC شرط جایگزینی راه حل بهتر بر اساس مقدار تابع هدف است.

اسلاید 21: الگوریتم Best-so-far ABC شرط جایگزینی راه حل بهتر بر اساس مقدار تابع هدف است زیرا:

اسلاید 22: الگوریتم Best-so-far ABC در فاز سوم از رابطه زیر استفاده می کند و در صورتی Vij جایگرین Xij می گردد که از نظر تابع هدف بهتر باشد. اگر نباشد مقدار شاخص محاکمه یک واحد اضافه می گردد.

اسلاید 23: الگوریتم qABCاستفاده از یک شعاع همسایگیr برای بدست آوردن همسایه مناسب، :mdm میانگین فاصله زنبورها تا زنبور m

اسلاید 24: Parallel Artificial Bee Colony(PABC)الگوریتم کلونی زنبورعسل مصنوعی موازیReference:Harikrishna Narasimhan , Parallel Artificial Bee Colony (PABC) Algorithm, World Congress on Nature & Biologically Inspired Computing, NaBIC, 2009.

اسلاید 25: هدف در این الگوریتم: پیاده سازی الگوریتم کلونی زنبورعسل مصنوعی به صورت موازیعدم تاثیر گذاری بر روی جواب نهایی الگوریتمافزایش سرعت پاسخ گویی توزیع زنبورها روی پردازنده های مختلف و بهبود راه حل های پیشنهادی به صورت مستقلجستجوی همسایگیمحاسبه ی احتمالاستفاده از یک حافظه اشتراکیالگوریتم کلونی زنبورعسل موازی

اسلاید 26:  الگوریتم کلونی زنبورعسل موازی(5)

اسلاید 27: بهبود راه حل موجود در حافظه محلی با انتخاب تصادفی یک راه حل از حافظه ی اشتراکی در جستجوی همسایگی (6) انتخاب یک راه حل توسط زنبورهای ناظر از حافظه محلی براساس رابطه احتمالی زیر:(7)الگوریتم کلونی زنبورعسل موازی

اسلاید 28: The pseudo code of the Parallel ABC algorithm

اسلاید 29: Reference: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. حل مسائل ناپیوسته و دودویی توسط الگوریتم کلونی زنبور عسل مصنوعی

اسلاید 30: الگوریتم اول:The continuous artificial bee colony algorithm for binary optimization

اسلاید 31: الگوریتم اول:

اسلاید 32: 1. Initialization a. Set N as the number of food source sb. Set trial for each food source.c. Set the limit control para mete r valued. Set the termination conditione. Set D as dimensionality of the problem.f. Create food source s (N x D) using Eq. 1g. 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. 2i. Memorize the best solution حل مسائل دودویی

اسلاید 33: حل مسائل دودویی2. Employed Bee Phase a. For each employed bee i. Select a neighbor solution randomly.ii. Produce a candidate food source by using Eq. 3iii. Convert to continuous solution to binary solution using Eq. 6iv. Evaluate the fitness of the solution by using objective function specific for the problem and Eq. 2v. 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

اسلاید 34: حل مسائل دودویی3. Onlooker Bee Phase a. Calculate designation probability of each food source by using Eq. 4b. For each onlooker bee i. Select a food source by using designation probability. ii. Select a food source randomly. iii. Produce a candidate food source by using Eq. 3iv. 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. 2vi. 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

اسلاید 35: حل مسائل دودویی4. Scout Bee Phasea. Fix the trial with maximum contentb. 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. 6iv. Evaluate the fitness of the solution by using objective function specific for the problem and Eq. 2v. Reset trial of new solution.

اسلاید 36: حل مسائل دودویی5. Termination a. If the best solution of the population is better previous best solution, memorize the new best solutionb. If the termination condition is met, report the best solution; otherwise go to Employed Bee Phase

اسلاید 37: الگوریتم دوم:Binary Artificial Bee Colony optimization using bitwise operationابتدا منابع غذایی، یا پاسخ های اولیه مسأله به صورت تصادفی از طریق معادله زیر، مقدار دهی اولیه با صفر و یک می شوند.

اسلاید 38: حل مسائل دودوییBinary Artificial Bee Colony optimization using bitwise operation

اسلاید 39: حل مسائل دودوییBinary Artificial Bee Colony optimization using bitwise operationدر فاز اول و دوم الگوریتم، از معادله زیر به جای معادله 2 در الگوریتم کلونی زنبور عسل مصنوعی استفاده می کند. φ از رابطه زیر تبدیل به صفر و یک می گردد: